基于多频分解熵学习的非线性fMRI数据分析新方法及其在精神疾病中的应用

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：The Multi-Frequency Decomposition Entropy Learning for Nonlinear fMRI Data Analysis

　　本研究针对传统fMRI分析主要关注线性关系而忽略非线性贡献的问题，提出了一种名为多频分解熵(MDE)的新方法。通过变分模态分解(VMD)将fMRI数据划分为五个频组，利用Copula熵(CE)计算各频组内脑区间的非线性功能连接，并结合统计t检验筛选重要连接。研究应用于精神分裂症(SCHZ)、双相情感障碍(BP)和注意缺陷多动障碍(ADHD)的fMRI数据分析，发现患者组与健康对照组在枢纽节点差异显著，且患者组间在同一枢纽节点的非线性关系较弱。该方法为探索精神疾病的神经机制提供了新的非线性分析视角。

　　

在精神疾病研究领域，功能磁共振成像(fMRI)已成为探索大脑神经机制的重要工具。传统研究多聚焦于线性关系分析，而越来越多的证据表明大脑神经活动具有非线性动力学特征。精神分裂症(SCHZ)、双相情感障碍(BP)和注意缺陷多动障碍(ADHD)等精神疾病可能共享共同的神经生物学基础，但其特异性机制尚不明确。现有fMRI研究大多局限于低频段(<0.1Hz)分析，且忽视了不同频段可能承载的差异化信息。这些问题限制了我们对精神疾病神经机制的深入理解。

为解决上述问题，上海海事大学信息工程学院的研究团队在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》上发表了一项创新性研究，提出了多频分解熵(MDE)学习方法。该方法首次将变分模态分解(VMD)和Copula熵(CE)相结合，用于推断不同频组内脑区间的非线性功能连接。

研究团队采用 Consortium for Neuropsychiatric Phenomics 公开数据集，纳入了152名参与者（包括SCHZ、BP、ADHD患者和健康对照组各38人）。首先使用VMD将fMRI时间序列分解为五个频组(U1-U5)，通过观察中心频率分布确定最优分解参数K=5。随后应用CE计算各频组内246个感兴趣区域(ROI)间的非线性关系，并通过统计t检验筛选显著连接。研究还提出了脑回重要性指数(GI)来量化不同频组中脑回的分布特征。

频组划分结果显示，四个样本组的频组范围高度相似：U1(0.191-0.250Hz)、U2(0.120-0.197Hz)、U3(0.065-0.131Hz)、U4(0.031-0.072Hz)、U5(0-0.033Hz)。非线性脑功能连接网络分析发现，U3和U4频组包含最丰富的非线性连接信息，而U5频组未发现显著非线性连接对。

枢纽节点分析显示，在U3频组中，所有样本组共享顶下小叶(IPL)、颞下回(ITG)和海马旁回(PhG)等枢纽脑区，但患者组在这些脑区的非线性连接强度显著弱于健康对照组。各疾病组还表现出特异性枢纽脑区：SCHZ患者的扣带回(CG)、BP患者的中额叶回(MFG)、ADHD患者的额上回(SFG)。

脑回分布趋势分析通过GI指标揭示了不同频组间脑回连接强度的显著差异。统计检验表明，U3、U4频组与U1、U2频组间存在显著差异(p<0.01)，而U3与U4频组间无显著差异。

与线性方法的对比研究发现，MDE能够检测到线性方法无法识别的显著差异脑回连接对。在SCHZ患者中，MDE特异性地识别出扣带回(CG)与外侧枕叶皮层(LOcC)、颞下回(ITG)与海马(Hipp)等连接对的异常，这些脑区与幻觉和认知障碍密切相关。

讨论部分指出，本研究首次证实了非线性功能连接特征在多个频段的差异化分布。U3(0.068-0.124Hz)和U4(0.032-0.068Hz)频组承载了最丰富的非线性信息，可能反映了大脑自发神经活动的重要特征。各精神疾病在特定频段表现出独特的枢纽脑区分布模式，为疾病特异性生物标记的识别提供了新依据。

研究结论强调，MDE方法不仅克服了传统线性分析的局限性，还通过多频段分析揭示了精神疾病神经机制的新的层面。研究发现的精神疾病共同和特异的非线性功能连接特征，有望为临床诊断和干预提供重要的生物学依据。未来研究可进一步探索多脑区非线性相互作用以及动态功能连接的频段特性。