基于同步性静息态脑网络的原发性失眠诊断

全球有约1/3的人口曾受到失眠的困扰，研究表明脑电的高度觉醒是失眠的一个重要原因，表现在高频脑电活动的增强。然而，由于存在较大的干扰因素，日常静息态条件下评判困难。因此本文提取原发性失眠患者和健康对照的脑电图（Electroencephalogram，EEG）高频频带（Beta、Gamma频带），使用更适合EEG这种非线性、非平稳信号的相位锁相值（Phase locking value， PLV）方法来构建静息态功能脑网络，使用自适应阈值技术进行二值化处理。为了提升失眠症脑网络特征评价的可靠性，综合了各脑网络特征，提出了用于失眠症检测的脑网络综合度量指标。且发现在Gamma频带上，综合指标在原发性失眠患者组与健康对照组之间存在显著性差异（$p=\mathrm{0.044}$）。应用支持向量机（Support vector machine， SVM）进行自动分类，在Beta频带上的正确率达77.7%，灵敏度达90.7%，相较于原始网络特征正确率提高了9.4%，灵敏度提高了20.7%；同时与现有研究对比，本文提出的脑网络综合度量指标的正确率提升了19.4%，灵敏度提升了20.7%。此外，发现Beta频带的综合度量指标分类效果更好，对于失眠症患者的日常诊断具有潜在的应用价值。