BAHAN DAN METODE DESAINKami melakukan analisis retrospektif dari AD dan pasien VAD, memeriksa EEG yang dikumpulkan sebagai bagian dari prosedur diagnostik klinis.MENCICIPIDatabase dari departemen neurofisiologi dari Haukeland University Hospital berisi lebih dari 37.000 dataset EEG dari sekitar 23.000 subyek yang tersedia secara internal untuk penelitian. Dari database ini, kami awalnya memilih sampel kenyamanan semua dataset dari luar pasien yang didiagnosis dengan AD (n D534), dengan penyakit klasifikasi internasional (ICD) kode ICD-10, F00.x dan G30.x; VAD (n D203) (ICD-10F01.X), dan NC (n D3138) dari non individu di rumah sakit duduk saat rekaman EEG, bebas dari obat-obatan, dan tanpa penyakit otak pada catatan. Usia rata-rata dan SD dari sampel awal yang 74.34_9.92, 72.41_11.16, dan 52.2_14.38 tahun untuk AD, VAD, dan NC, masing-masing. Kami menerapkan kriteria ketat untuk inklusi dan eksklusi sampel seperti yang dijelaskan dalam Bagian "Kriteria Seleksi" dan "Pre-processing," yang tersisa dengan total 242,88, dan 1950 dataset pada AD, kelompok VAD, dan NC, masing-masing. Sampel kemudian usia dan jenis kelamin dicocokkan, meninggalkan 77 kasus dalam setiap kelompok, dengan usia rata-rata 73.1_10.4 tahun dan 51% laki-laki.Kriteria seleksiUntuk sampel awal yang dijelaskan di atas, kita menerapkan kriteria inklusi yang sama untuk semua kelompok. Pertama, kita dikecualikan pasien dengan usia di bawah 35 tahun pada saat rekaman. Kedua, kita dikecualikan rekaman EEG dilakukan ketika subjek dirawat di rumah sakit. Terakhir, kami dikecualikan beberapa dataset EEG dari setiap pasien termasuk hanya dataset EEG terbaru dari masing-masing. Aturan pengecualian umum diterapkan saat kongruen, cukup, atau miskin kualitas data ditemukan di klinik atau pribadi informasi pasien, yang dikeluarkan 988 pasien. Kami dianggap obat yang diresepkan untuk setiap pasien pada saat perekaman EEG, dan dikecualikan pasien yang memakai antikolinergik dan dopaminergik agen, antipsikotik, anxiolytics, hipnotik dan sedatif, anti-depresi, dan stimulan psiko. Sebuah daftar lengkap dari obat yang diresepkan dilanjutkan pada Tabel S1 di Bahan Tambahan. Seluruh klinis mendiagnosa sejarah yang tersedia dari catatan masing-masing pasien itu dipertimbangkan: untuk pasien milik NC, kami dikecualikan mereka yang telah didiagnosis pada setiap titik waktu (sebelum atau posting tanggal perekaman EEG) dengan CVD, setiap mental, perilaku , atau gangguan perkembangan neuro. Untuk AD dan kelompok VAD, kami dikecualikan mereka yang telah didiagnosis setiap saat dengan otak atau gangguan SSP terkait. Secara khusus, AD dan kelompok VAD terkandung dataset dari pasien yang telah didiagnosis hanya dengan penyakit Alzheimer atau VAD, masing-masing, sebelum atau terus-menerus setelah tanggal perekaman EEG. Untuk rincian lebih lanjut tentang kriteria seleksi, silakan lihat Tabel S2 di Bahan Tambahan. Dari sampel awal, kita dianggap 2092, 269, dan 118 dataset untuk NC, AD, dan kelompok VAD, masing-masing, yang disampaikan kepada preprocessing. Sebanyak 199 dataset dikeluarkan selama preprocessing karena zaman tidak cukup (lihat extsection). Sampel akhir yang dibentuk oleh 77 usia dan mata pelajaran gender cocok pada setiap kelompok dengan rata-rata usia 71.5_11.2, 73.5_9.9, dan 74.1_9.9, masing-masing. Distribusi jenis kelamin adalah 49, 51, dan 52% laki-laki untuk NC, AD, dan kelompok VAD, masing-masing.Pre-processingSemua dataset EEG diperoleh dengan menggunakan 22 saluran diposisikan pada 10-20 penempatan sistem (FP1, FPZ, Fp2, F7, F3, Fz, F4, F8, T3 / T7, C3, Cz, C4, T4 / T8, T5 / P7, P3, Pz, P4, T6 / P8, O1, O2, M1, M2) diperoleh pada 128Hz (n D59), 256 Hz (n D164), dan 500 Hz (n D8) menggunakan sistem Nicolet Satu EEG. Impedansi masukan yang ditetapkan untuk Z> 100m2. Hardware tiang tunggal tinggi-pass (0.16Hz_10%) dan low-pass (500Hz_10%) filter yang diterapkan secara individual untuk masing-masing saluran sebelum pra amplifikasi. EEG yang disimpan di bawah format baku dalam database. Semua pra-pengolahan dan analisis data dilakukan dalam Math works lingkungan Matlab. EEG file mentah yang diimpor ke toolbox EEGLabv.10.1.1.0b (38) menggunakan data reader di rumah. Data resampled 256 Hz. Dari EEG klinis protokol rekaman standar yang berlangsung selama 20 menit dan termasuk mata terbuka kondisi, hiperventilasi, dan provokasi / ditutup dengan stimulasi fotik, yang stricted input data untuk analisis lain yang patut pertama 9 menit, yang berisi hanya mata bolak buka / tutup d kondisi istirahat. A1536-poin filter high-pass-band diaplikasikan dengan frekuensi cut-off dari 0,5 dan alow-pass filter dengan cut-off 50 Hz menggunakan standar linear-fase desain filter FIR setidaknya persegi. EEG yang tersegmentasi menjadi zaman tidak tumpang tindih dari topi 1 dievaluasi untuk kemungkinan penolakan menggunakan amplitudo otomatis, listrik, dan thresholding statistik. Segmen yang tersisa menjadi sasaran analisis individu independen komponen (ICA) menggunakan algoritma Infomax dengan 15 komponen untuk mengidentifikasi dan menghapus kontribusi sisa dari gerakan mata. Empat template spasial untuk jenis artefak yang dihasilkan dengan menggunakan 24 dataset secara acak, di mana peta artefak yang sesuai yang secara visual diidentifikasi dan rata-rata seluruh mata pelajaran untuk membentuk template. Gambar1 Menampilkan template gerakan mata. The topografi ICA dari setiap dataset EEG berkorelasi terhadap artefak template dan dihapus jika koefisien korelasi mutlak atas 0,8 ditemukan. Data kontinyu direkonstruksi dari komponen non-artefak dan kemudian tersegmentasi ke zaman 2s dengan 1s tumpang tindih, yang setara dengan prosedur Welch (39) dengan jendela persegi panjang dan 50% segmen tumpang tindih. Selanjutnya, data diubah menjadi domain frekuensi menggunakan transformasi Fourier cepat (FFT). Karena spektrum frekuensi yang dipilih untuk pra-pengolahan adalah 0,5-50 Hz, kami memperoleh 100 titik data frekuensi untuk 22 saluran dan sejumlah variabel zaman untuk setiap dataset dikenakan untuk analisis. Deviasi standar spasial (sSTD) indeks masing-masing zaman dihitung di seluruh 22 saluran dalam domain frekuensi sesuai dengan (40) dan z-mencetak. Zaman di mana indeks sSTD melebihi | z |> 1 dikeluarkan dari analisis lebih lanjut, seperti digambarkan pada Gambar 2. Dengan pengecualian dari zaman tersebut, kita berakhir dengan sejumlah segmen tersedia data untuk sampel awal. Dalam rangka untuk menyatukan jumlah data seluruh mata pelajaran untuk sampel akhir, kami menentukan jumlah minimum umum dari zaman yang ada di seluruh mata pelajaran yang dimaksimalkan inklusi. Hal ini mengakibatkan pemilihan 334 zaman data dari masing-masing dataset (approx.5m30s). Subyek dengan kurang dari 334 zaman dikeluarkan dari sampel awal. The zaman yang tersedia dari sampel akhir mengikuti distribusi normal di tiga kelompok dengan rata-rata 386_24 untuk kelompok NC, 391_28 zaman untuk AD, dan 387_20 untuk VAD. Tidak ada perbedaan signifikan yang ditemukan dalam jumlah segmen tersedia data taruhan kita en tiga kelompok (F D1.03, p D0.43). Zaman yang berisi amplitudo tinggi di kisaran alpha band (8-12Hz), diberi prioritas untuk dimasukkan dan zaman yang tersisa dibuang. Dengan cara ini, kita diharapkan untuk memaksimalkan ekspresi frekuensi alpha dalam analisis. Setelah pencocokan usia-jenis kelamin kelompok, sampel akhir yang digunakan dalam analisis itu terdiri dari 334 zaman data untuk setiap mata pelajaran dan mata pelajaran 77 dalam setiap kelompok.Pre-processingSemua dataset EEG diperoleh dengan menggunakan 22 saluran diposisikan pada 10-20 penempatan sistem (FP1, FPZ, Fp2, F7, F3, Fz, F4, F8, T3 / T7, C3, Cz, C4, T4 / T8, T5 / P7, P3, Pz, P4, T6 / P8, O1, O2, M1, M2) diperoleh pada 128Hz (n D59), 256 Hz (n D164), dan 500 Hz (n D8) menggunakan sistem Nicolet Satu EEG. Impedansi masukan yang ditetapkan untuk Z> 100m2. Hardware tiang tunggal tinggi-pass (0.16Hz_10%) dan low-pass (500Hz_10%) filter yang diterapkan secara individual untuk masing-masing saluran sebelum pra amplifikasi. EEG yang disimpan di bawah format baku dalam database. Semua pra-pengolahan dan analisis data dilakukan dalam Math works lingkungan Matlab. EEG file mentah yang diimpor ke toolbox EEGLab.10.1.1.0b (38) menggunakan data reader di rumah. Data resampled 256 Hz. Dari EEG klinis protokol rekaman standar yang berlangsung selama 20 menit dan termasuk mata terbuka kondisi, hiperventilasi, dan provokasi / ditutup dengan stimulasi fotik, yang stricted input data untuk analisis lain yang patut pertama 9 menit, yang berisi hanya mata bolak buka / tutup d kondisi istirahat. A1536-poin filter high-pass-band diaplikasikan dengan frekuensi cut-off dari 0,5 dan alow-pass filter dengan cut-off 50 Hz menggunakan standar linear-fase desain filter FIR setidaknya persegi. EEG yang tersegmentasi menjadi zaman tidak tumpang tindih dari topi 1 dievaluasi untuk kemungkinan penolakan menggunakan amplitudo otomatis, listrik, dan thresholding statistik. Segmen yang tersisa menjadi sasaran analisis individu independen komponen (ICA) menggunakan algoritma Infomax dengan 15 komponen untuk mengidentifikasi dan menghapus kontribusi sisa dari gerakan mata. Empat template spasial untuk jenis artefak yang dihasilkan dengan menggunakan 24 dataset secara acak, di mana peta artefak yang sesuai yang secara visual diidentifikasi dan rata-rata seluruh mata pelajaran untuk membentuk template. Gambar1 Menampilkan template gerakan mata. The topografi ICA dari setiap dataset EEG berkorelasi terhadap artefak template dan dihapus jika koefisien korelasi mutlak atas 0,8 ditemukan. Data kontinyu direkonstruksi dari komponen non-artefak dan kemudian tersegmentasi ke zaman 2s dengan 1s tumpang tindih, yang setara dengan prosedur Welch (39) dengan jendela persegi panjang dan 50% segmen tumpang tindih. Selanjutnya, data diubah menjadi domain frekuensi menggunakan transformasi Fourier cepat (FFT). Karena spektrum frekuensi yang dipilih untuk pra-pengolahan adalah 0,5-50 Hz, kami memperoleh 100 titik data frekuensi untuk 22 saluran dan sejumlah variabel zaman untuk setiap dataset dikenakan untuk analisis. Deviasi standar spasial (sSTD) indeks masing-masing zaman dihitung di seluruh 22 saluran dalam domain frekuensi sesuai dengan (40) dan z-mencetak. Zaman di mana indeks sSTD melebihi | z |> 1 dikeluarkan dari analisis lebih lanjut, seperti digambarkan pada Gambar 2. Dengan pengecualian dari zaman tersebut, kita berakhir dengan sejumlah segmen tersedia data untuk sampel awal. Dalam rangka untuk menyatukan jumlah data seluruh mata pelajaran untuk sampel akhir, kami menentukan jumlah minimum umum dari zaman yang ada di seluruh mata pelajaran yang dimaksimalkan inklusi. Hal ini mengakibatkan pemilihan 334 zaman data dari masing-masing dataset (approx.5m30s). Subyek dengan kurang dari 334 zaman dikeluarkan dari sampel awal. The zaman yang tersedia dari sampel akhir mengikuti distribusi normal di tiga kelompok dengan rata-rata 386_24 untuk kelompok NC, 391_28 zaman untuk AD, dan 387_20 untuk VAD. Tidak ada perbedaan signifikan yang ditemukan dalam jumlah segmen tersedia data taruhan kita en tiga kelompok (F D1.03, p D0.43). Zaman yang berisi amplitudo tinggi di kisaran alpha band (8-12Hz), diberi prioritas untuk dimasukkan dan zaman yang tersisa dibuang. Dengan cara ini, kita diharapkan untuk memaksimalkan ekspresi frekuensi alpha dalam analisis. Setelah pencocokan usia-jenis kelamin kelompok, sampel akhir yang digunakan dalam analisis itu terdiri dari 334 zaman data untuk setiap mata pelajaran dan mata pelajaran 77 dalam setiap kelompok.ANALISIS STATISTIKKarena kovarians ringan antara beberapa parameter spektral (lihat Hasil), kami menggunakan analisis multivariat kovarians (MANCOVA) Model seperti yang diterapkan di MANCOVAN alat-box (42) untuk memahami perbedaan kelompok sementara mengendalikan faktor pengganggu lainnya. Sebelum modeling, kami menggunakan Box-Cox kekuatan mengubah untuk meningkatkan normalitas parameter S dan A, yang sangat miring. Nilai Lambda (parameter Box-Cox) ditentukan dengan memaksimalkan log-kemungkinan normalitas dan 0,07 dan 0,27, masing-masing. Kami pertama kali diterapkan MANCOVA untuk parameter spektral rata-rata atas semua saluran, dan digunakan prosedur regresi bertahap dengan kembali bangsal eliminasi untuk menghapus prediktor yang tidak memperhitungkan varians signifikan. Secara khusus, model awal kami termasuk prediktor berikut: kelompok (variabel coding indikator untuk NC, AD, dan VAD), usia, jenis kelamin, jumlah komponen ICA dihapus selama pra-pengolahan, pengambilan sampel-tingkat asli, dan jumlah zaman bersih awalnya tersedia; variabel dependen kami adalah [3426] matriks, yang berisi enam parameter spektral (S, k, A, c, w, dan b) rata-rata selama saluran untuk 342 subyek. Setelah pengurangan bertahap dengan nilai alpha 0,01, model akhir ditahan kelompok (T = 76,23, p = 7.1x10-10), usia (T = 34,79, p = 1.7x10-5), jenis kelamin (T = 23,89, p = 1.0x10-3), dan jumlah zaman (T = 38,7, p = 3.8x10-6) sebagai prediktor sangat signifikan. Kami kemudian digunakan prediktor ini dalam MANCOVA kedua untuk model parameter spektral pada setiap saluran, yaitu, variabel dependen adalah [342132] matriks, yang mewakili 6 parameter di 22 saluran, untuk semua mata pelajaran. Kami mengkonfirmasi bahwa empat prediktor (kelompok, usia, jenis kelamin, dan jumlah zaman) masih menyumbang varians signifikan dalam model ini lebih besar (p