阿尔茨海默症（AD）是一种进行性认知功能衰退的神经系统退行性疾病，其病理机制主要是大脑皮层及海马区淀粉样蛋白斑块沉积和神经纤维缠结形成，导致神经元丢失与突触功能障碍。随着人口老龄化的加剧，AD的发病率不断上升，已成为全球公共卫生的重大挑战，2019年的一项报告显示，全球约有5000万人患有痴呆症，预计2050年将增加至1.52亿。2019年，中国 AD 及其他痴呆患病人数为 13 143 950 例，约占全球数量的25.5%，我国年龄标 化AD患病率为788.3/10万。

图1 1990年至2021年我国AD及其他痴呆的发病率变化[1]

AD的临床诊断主要依赖于认知量表、神经影像学检查和生物标志物检测，但这些方法存在早期识别困难、成本高、可及性低等局限性。因此，探索便捷、敏感、经济的无创辅助诊断手段成为研究热点。脑电图（EEG）和眼动追踪（ET）技术因其独特的优势，在AD的早期诊断和病情监测中展现出巨大的潜力。

脑电图（EEG）：解码大脑的电信号

脑电图是一种通过头皮上的电极记录大脑电活动的无创技术 。它能够反映大脑神经元群体的活动情况，就像监听大脑内部的“电流对话”一样。

AD患者的脑电特征：

节律变慢：AD患者大脑的α节律（一种与清醒放松相关的脑波）会明显减慢，功率减少，而θ和δ节律（与慢波睡眠或认知障碍相关的脑波）会显著增强。这表明AD患者的大脑功能正在“变慢” 。

复杂性下降：AD患者脑电信号的复杂性和动态变化能力会降低，比如脑电信号的熵值普遍低于健康人，微状态（大脑短暂的功能状态）的持续时间缩短，切换频率降低 。

网络连接异常：AD患者大脑功能网络的连接模式会发生改变，信息传递效率降低，局部连接能力受损 。

不同状态下的变化：无论是在休息、执行认知任务还是睡眠中，AD患者的脑电活动都表现出特异性异常，这些变化与认知障碍的严重程度密切相关 。

基于脑电图的诊断方法： 研究人员利用统计分析、机器学习和深度学习等方法来识别AD患者的脑电特征。通过分析脑电数据，这些方法可以有效地区分AD患者、轻度认知障碍（MCI）患者和健康老年人，准确率可达70%-90%甚至更高。然而，需要特别指出的是，当前大多数研究基于相对较小的样本量，缺乏大规模多中心验证。因此，尽管初步结果令人鼓舞，但要实现临床应用仍需要更加严格的大规模验证研究。

图2 正常和阿尔茨海默病患者大脑静息态脑电图振荡的初步生理模型[2]

眼动追踪（ET）：洞察眼睛的“轨迹”

眼动追踪技术通过记录眼球的运动轨迹、注视点和瞳孔变化，来评估个体的认知功能和注意力状态. 眼睛是心灵的窗户，在AD患者身上，这扇窗户的“活动”也会发生异常。

AD患者的眼动特征：

扫视异常：扫视是眼球快速从一个点跳到另一个点的运动。AD患者在扫视任务中表现出潜伏期延长（反应变慢）、准确性降低以及反向扫视（抑制自然反应看向相反方向）错误率显著增加等问题。这些异常与执行功能和抑制控制能力的下降有关.

注视不稳定：AD患者在注视时，眼睛可能会出现更多的“入侵性扫视”（不自主地偏离注视点再回到原位），注视持续时间也可能缩短 。

平滑追踪障碍：平滑追踪是眼睛平稳地跟随移动目标的能力。AD患者在平滑追踪任务中表现出追踪反应延迟、追踪增益下降（眼睛跟不上目标速度）和轨迹不稳定等问题，这些异常与痴呆病程进展密切相关 。

瞳孔反应异常：AD患者在认知任务中的瞳孔调节能力可能下降，这反映了自主神经系统功能的紊乱，与疾病的严重程度相关 。

高级视觉行为任务表现差：在视觉搜索、视觉配对比较和阅读等任务中，AD患者会表现出注意力不集中、搜索效率低、对新颖事物兴趣降低以及阅读困难等问题。例如，在视觉配对比较任务中，他们观看新颖图像的相对注视时间显著缩短，提示记忆识别能力下降 。

基于眼动追踪的诊断方法： 结合机器学习和深度学习算法，眼动数据分析的准确性也得到了显著提升。通过分析眼动特征，可以实现高达80%-95%的AD与健康对照组分类准确率 ，但同样面临样本量有限和标准化程度不足的问题。

图3  使用眼动追踪系统和任务进行快速认知评估[3]

图4  眼动追踪分析的机器学习和深度学习应用

脑电与眼动：强强联合，更精准的诊断

AD的发病机制复杂，涉及神经功能和认知行为的多个层面。单一的技术往往难以全面反映疾病的特征 。脑电图关注大脑信号层面的变化，而眼动追踪则提供认知行为指标。将这两种技术结合起来，可以从神经活动到行为响应，对AD进行多维度的表征，从而有望提升诊断的准确性和敏感性，尤其是在轻度认知障碍等早期阶段的检测中 。

通过先进的数据采集和同步技术，以及深度学习等多模态融合策略，研究人员能够将脑电和眼动数据进行有效整合，自动学习跨模态之间的复杂关系，进一步提高诊断性能 。

图5  眼动和脑电统合的诊断系统架构图

挑战与未来展望：熵云脑机引领脑机接口新突破

在熵云脑机算法负责人李娜看来，尽管EEG与眼动追踪技术在AD诊断中展现出显著潜力，但其应用仍面临多重挑战：信号信噪比（SNR）的优化难题、标准化协议的行业空白，以及多维度数据处理的复杂性。然而，随着可穿戴设备的微型化迭代、人工智能（尤其是可解释 AI 技术）的算法突破、多模态数据融合技术的成熟，以及虚拟现实（VR）场景化诊断方案的落地，上述瓶颈正逐步被技术创新所攻克。

她表示，未来这些 “数字生物标志物” 有望构建规模化、高性价比的 AD 筛查体系，为个性化精准医疗策略提供量化数据支撑，最终实现延缓疾病进程、改善全球数百万 AD 患者生活质量的医学目标。

在此技术变革背景下，熵云脑机持续深耕多模态数据融合与智能分析技术，加速 “数字生物标志物” 从实验室走向产业化应用。公司秉持开放协作的创新理念，与全球顶尖高校、科研机构及行业专家构建深度合作网络，打造 “基础研究 - 技术开发 - 产业转化” 的全链条创新生态，推动脑机接口技术的商业化落地进程。未来，熵云脑机将进一步拓展脑机技术在教育认知评估、医疗精准诊断、智慧养老照护等领域的应用边界，促进 VR 交互技术与可穿戴设备的深度融合，以技术创新驱动社会福祉提升，践行 “科技向善” 的企业使命。

[1]王刚齐金蕾 and WANG Gang Q. J., “中国阿尔茨海默病报告2024,” 诊断学理论与实践, vol. 23, no. 03, p. 219, Jun. 2024, doi: 10.16150/j.1671-2870.2024.03.001.

[2]M. Berger et al., “A Real-Time Neurophysiologic Stress Test for the Aging Brain: Novel Perioperative and ICU Applications of EEG in Older Surgical Patients,” Neurotherapeutics, vol. 20, no. 4, pp. 975–1000, Jul. 2023, doi: 10.1007/s13311-023-01401-4.

[3]A. Oyama et al., “Novel Method for Rapid Assessment of Cognitive Impairment Using High-Performance Eye-Tracking Technology,” Sci Rep, vol. 9, no. 1, p. 12932, Sep. 2019, doi: 10.1038/s41598-019-49275-x.

免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。

责任编辑：kj015

文章投诉热线:157 3889 8464  投诉邮箱:7983347 16@qq.com