帕金森病（PD）是一种渐进性神经退行性疾病，全球有超过1000万人受到影响。其主要特征是大脑黑质中多巴胺生成神经元的丧失，导致震颤、僵硬和其他运动障碍。
除了运动问题外，帕金森病还经常影响患者的情感和认知功能，使他们难以识别和回应情感。为解决这些挑战，最近的一项研究揭示了一种利用大脑对情感刺激反应的新诊断方法。
堪培拉大学和科威特科学与技术学院的联合研究团队开创了一种以近乎完美准确率检测帕金森病的方法。
通过分析参与者观看情感诱导视频片段和图像时记录的脑电图（EEG）数据，研究人员实现了诊断性能F1分数超过0.97。这一分数结合了精确度和召回率，标志着无创、客观诊断的一个突破。
传统的帕金森病诊断依赖于临床观察和患者自述，这可能带有主观性。新的基于EEG的方法绕过了这种主观性，专注于隐性情感脑活动。与言语反馈等显性反应不同，隐性信号无法被有意识地控制，提供了关于中枢神经系统功能的可靠见解。
情感在沟通和社交互动中起着关键作用。然而，帕金森病患者常常难以处理情感，特别是与特定效价维度（愉悦或不愉悦）和唤醒水平（情感强度）相关的情感。
该研究证实了先前的发现，即帕金森病患者在识别恐惧、厌恶和惊讶等情感方面存在困难。他们还可能混淆相反效价的情感，例如将悲伤误认为快乐。
研究人员记录了20名帕金森病患者和20名健康对照组的大脑活动，当参与者对情感诱发刺激作出反应时。研究人员提取了关键的EEG描述符，包括频谱功率向量（SPVs）和公共空间模式（CSPs）。
SPVs测量不同频率带的功率分布，这些频率带与情感状态密切相关。CSPs则通过最大化方差差异来增强分类能力，从而促进EEG信号的精确分类。
这些描述符被转换成视觉表示，如地形图和时间活动模式。先进的机器学习框架，包括卷积神经网络（CNNs），分析这些表示以解码情感反应。
这种神经技术和人工智能的结合使研究人员能够以前所未有的准确性区分帕金森病患者和健康个体。
该研究还探讨了帕金森病患者如何感知情感。虽然他们在效价敏感性方面有所降低，但他们对情感唤醒的理解更好。这表明他们对情感强度的意识高于与情感相关的愉悦或厌恶。这些见解突显了帕金森病情感处理缺陷的复杂性，并强调了基于EEG工具在临床环境中的潜力。
情感诱发刺激，如电影和音乐，在研究大脑活动方面已被证明是有用的。然而，许多早期方法依赖于静息态EEG，要求患者在受控环境中保持静止。这限制了生态有效性。通过纳入动态、现实世界的刺激，当前研究更准确地反映了日常情感处理。
SPVs、CSPs和CNNs的整合也推动了情感计算领域的发展。长期以来，手编码的EEG描述符如SPVs已被用于检测情感，但CNNs提供了自动学习认知和情感模式的能力，增强了情感识别的精度。例如，1D-、2D-和3D-CNNs能够进行维度情感分类，如识别二元效价和唤醒状态。
该研究的一个重要发现是仅通过大脑的情感活动模式就能区分帕金森病患者。这与越来越多的证据一致，即EEG频率带——如α、β和γ波——与特定情感状态相关。通过解码这些信号，研究人员发现了与帕金森病相关的特定神经标记，提供了对该疾病如何改变大脑功能的更深入理解。
随着这项技术的发展，情感脑监测可能会改变临床实践。EEG的无创性和高时间分辨率使其成为早期诊断和监测神经系统疾病的理想工具。此外，结合EEG数据和AI驱动的分析增强了其在多样化医疗环境中的可扩展性和适用性。
该研究还强调了情感聚焦诊断的更广泛影响。识别帕金森病患者的情感缺陷可能导致有针对性的干预措施，改善社会互动和生活质量。此外，使用机器学习框架分析神经数据代表了个性化医学的重大进步，为定制治疗策略铺平了道路。
尽管目前的研究涉及的样本规模相对较小，但其发现为更大规模的研究奠定了基础。未来的研究可以改进这些方法，并将其扩展到其他神经退行性疾病和情绪障碍。通过绘制情感处理的神经基础，科学家们可以更好地理解各种条件如何影响大脑。
这项开创性的研究发表在《智能计算》杂志上，展示了将神经科学、人工智能和情感计算结合起来以增强帕金森病诊断的潜力。
随着研究人员继续创新，希望将这些进展从实验室带到临床实践中，造福全球数百万人。
(全文结束)
