基于庞加莱特征的电脑电图信号分类在多发性硬化症诊断中的应用

《Multiple Sclerosis and Related Disorders》：Poincaré Feature-Based Classification of Electroencephalography Signals for Multiple Sclerosis Diagnosis

本研究利用EEG信号Poincaré图提取非线性几何特征，结合传统机器学习与深度学习模型，发现Beta波段特征对区分多发性硬化症患者（25例）和健康对照（25例）效果最佳，分类准确率达99.8%，敏感性100%，特异性99.7%。研究验证了Poincaré分析在非侵入性MS诊断中的潜力，但受限于样本量需进一步验证。

　　

乌穆特·阿斯兰|梅赫梅特·费伊齐·阿克沙欣

土耳其安卡拉加齐大学电气与电子工程系

摘要

背景

多发性硬化症（MS）是最常见的神经退行性疾病之一，是一种进行性的神经炎症性疾病，影响着全球数百万人。虽然磁共振成像（MRI）技术常用于诊断，但越来越多的研究开始关注脑电图（EEG）信号处理在神经退行性疾病诊断中的作用。

方法

本研究探讨了利用从EEG信号中提取的Poincaré图特征来区分MS患者和健康个体的方法。分析了50名受试者（25名MS患者，25名健康对照组）的EEG记录。EEG数据被分割成多个时间段，每个时间段提取了四个定量Poincaré特征。这些特征被用作各种分类器的输入，包括传统的机器学习方法（如k-最近邻算法KNN、决策树DT、随机森林RF）以及深度学习模型（如多层感知器MLP、结合长短期记忆的卷积神经网络CNN+LSTM和结合门控循环单元的LSTM+GRU）。此外，还单独分析了EEG信号的子频带，以评估每个频带的区分能力。

结果

结果表明，基于Poincaré的特征能够有效区分MS患者和健康个体，准确率、灵敏度和特异性分别为99.8%、100%和99.7%。其中，基于Beta频带的分类在区分MS患者方面表现出最高的区分能力。然而，由于样本量有限，这些结果应被视为初步结果，需要进一步验证。

结论

研究表明，基于EEG的Poincaré特征分析为MS诊断提供了一种有前景、低成本且无创的方法。尽管观察到的分类性能令人鼓舞，但仍需要更大、更多样化的数据集以及严格的验证策略来确认该方法的可靠性和临床适用性。将这种方法整合到临床工作中可能会提高诊断准确性，并为MS相关的脑部动态变化提供新的见解。

引言

多发性硬化症（MS）是一种慢性自身免疫性炎症性疾病，影响中枢神经系统（CNS），其特征是免疫系统攻击髓鞘导致脱髓鞘，进而形成硬化斑块。MS是一种进行性的神经炎症性疾病，会导致CNS中的神经元损伤和丧失，从而引发注意力、长期记忆和处理速度等方面的障碍（Hernandez等人，2025年）。该病通常会持续患者的整个生命周期，并且严重程度各不相同，包括缓解期和稳定期（Balasooriya等人，2024年）。尽管当前的治疗干预措施可以影响疾病的进展，但至今仍未找到根治方法。据估计，截至2020年，全球约有280万人患有MS（Vandebergh等人，2022年）。虽然磁共振成像（MRI）是临床诊断的金标准，但其评估过程耗时、成本高昂，且往往对大脑早期功能的细微变化不敏感。因此，迫切需要易于获取、经济高效且能敏感反映大脑活动动态的补充诊断工具。

生物医学信号处理技术已被广泛用于理解和分析身体的生理结构，尤其是在特殊情况下。脑电图（EEG）是一种记录大脑电活动的神经生理学工具，能够提供关于神经功能的重要信息，有助于理解、诊断和监测不同皮层区域的动态变化（Hosseini等人，2020年）。特别是在神经退行性疾病的诊断中，EEG信号处理被广泛用于监测和诊断多种疾病，包括癫痫（Ghazali等人，2022年）和阿尔茨海默病（Oltu等人，2021年；?eker等人，2021年），以及睡眠障碍的监测（Erdamar和Aksahin，2020年；Y?lmaz等人，2023年）。近年来，机器学习在EEG信号分析中的应用日益增多，用于MS的评估。一项全面的系统综述总结了深度学习架构（包括CNN、SVM和混合模型）的进展，强调了诊断准确性和疲劳预测方面的改进（Mouazen等人，2025年）。此外，Soleimanidoust等人（2025年）报道了将传统机器学习方法应用于MS诊断的最新方法。尽管这些综述提供了基于EEG的MS评估的监督学习和深度学习技术的概述，但大多数研究主要关注频谱、时频和传统统计特征。

鉴于EEG信号的非线性特性，已经开发了多种先进的信号处理技术来分析这些信号。这需要先进的非线性技术来从EEG记录中提取有意义的模式。相空间重建为系统动态的定性和定量评估提供了一个强大的框架。由于相空间重建可以揭示系统的动态特征，非线性方法能够更有效地检测非平稳信号中的细微变化，因此相空间分析已成为分类EEG信号的有价值工具（Pourali和Omranpour，2023年）。Poincaré图是相空间重建领域中常用的算法之一，它基于时间序列的延迟坐标（Goshvarpour和Goshvarpour，2020年）。Poincaré图在分析生物信号（尤其是心血管（ECG）数据时非常有用。然而，其在EEG数据中的应用仍然有限，尚未用于区分MS患者和健康个体。与以往的研究不同，本研究探讨了从Poincaré分析中提取的非线性几何变异描述符，特别关注方法标准化和特征在不同时间段内的稳定性。

脑脊液（CSF）分析被认为是MS诊断的金标准辅助工具。然而，这项检查需要腰椎穿刺，这是一种具有多种风险和禁忌症的侵入性操作，包括颅内压升高（可能导致脑疝）、出血性疾病、抗凝药物使用以及术后并发症（如头痛和背痛）（Engelborghs等人，2017年）。此外，MS的误诊率约为10%，通常是由于临床发现的误读和MRI标准的不当应用（Brownlee等人，2017年；Solomon和Weinshenker，2013年）。这些局限性凸显了需要补充性的、无创且经济高效的诊断方法。

受此需求的驱动，本研究探讨了将Poincaré分析应用于EEG信号的方法。据我们所知，尚未全面研究过利用基于EEG的Poincaré图提取的非线性几何特征进行MS分类。与传统时频或复杂性方法不同，Poincaré分析能够直观且定量地捕捉EEG的几何动态。由于每个EEG频带反映了不同的生理过程（例如，delta/theta波段与全局皮层同步相关；alpha/beta波段与认知和运动整合相关），Poincaré图的分布和形态可以揭示这些频带内的振荡规律性和非线性动态的变化。

本研究的贡献在于系统地评估了作为MS诊断特征的Poincaré导出几何描述符。通过将来自EEG信号的非线性几何描述符与传统的和深度学习分类器相结合，本研究探讨了Poincaré特征在区分MS患者和健康对照组方面的区分能力。此外，该研究还探讨了哪些EEG子频带最能有效捕捉与MS相关的神经变化。因此，这项研究为推动基于EEG的无创、低成本神经疾病诊断方法的发展做出了贡献，有可能补充传统的影像学评估和CSF分析在临床实践中的应用。

相关文献

相关工作

近年来，大量研究集中在基于EEG的方法上，用于诊断和监测神经退行性疾病，包括MS。特别是非线性信号分析技术因能够捕捉神经活动的时序变异性和复杂动态行为而受到越来越多的关注。

一些研究利用Poincaré特征对EEG信号进行情感识别任务的分类，成功地区分了不同个体

材料与方法

所提出算法的架构如图1所示。该方法包括两个主要阶段：特征提取和分类。

结果

所有特征提取和分类过程均使用MATLAB 2024a完成，并在运行Windows 11的系统上进行，该系统配备了AMD Ryzen 5（4000系列）处理器和8 GB内存。为了确保标准化比较，所有分类器都在相同的实验条件下使用相同的特征集和交叉验证方案进行训练和评估。采用了五折交叉验证（kfold）策略以确保模型的稳健性

讨论

本研究全面评估了EEG信号处理在区分MS患者和健康对照组方面的效果，强调了特征提取和分类方法。对整个信号和子频带进行了分析。整个信号分类的结果（表2）显示，使用20秒的EEG时间段时，增强集成分类器的准确率最高。类似的表现也观察到了

结论

本研究提出了一种基于几何相空间的框架，利用Poincaré描述符来表征MS中的非线性EEG动态。研究结果表明，所提出的方法能够有效区分健康个体和MS患者，分类准确率达到99.8%。这些结果突显了非线性EEG动态作为MS检测可靠生物标志物的潜力。

尽管结果令人鼓舞，但仍需考虑一些局限性。

伦理批准和参与同意

所有涉及人类参与者的研究程序均遵循Ba?kent大学机构审查委员会和伦理委员会的伦理标准，以及1964年《赫尔辛基宣言》及其后续修订版或类似的伦理标准。

资金声明

本研究未获得任何公共、商业或非营利部门的资助。

作者贡献声明

乌穆特·阿斯兰：撰写——原始草稿、软件开发、方法论设计、研究实施、概念构思。梅赫梅特·费伊齐·阿克沙欣：撰写——审阅与编辑、验证、监督、概念构思。

利益冲突声明

作者声明没有已知的利益冲突或个人关系可能影响本文所述的工作。

致谢

我们要感谢Bü?ra Kübra Karaca和Ruhsen ?cal准备和记录EEG信号，并验证疾病相关数据