基于EEG相位动力学的全人脑状态分类：在意识水平和无注意型注意力缺陷过动症中
神经元与认知
2026-05-11 v4 适应与自组织系统
摘要
我们采用序数模式框架分析脑电信号（EEG），以探讨基于脑电动力学有序性是否可以区分不同的人类脑状态。我们关注EEG相位动力学的主导模式，这反映了前后信息流，并用置换熵量化其有序性。我们将其应用于两个数据集：（i）一般麻醉程序中的EEG记录，和（ii）来自健康对照者和患有无注意型注意力缺陷过动症（ADHD）个体的静息状态EEG记录，包括眼开和眼闭条件。我们发现，置换熵分布显示出明显的脑状态依赖性。特别是，意识状态、无注意型ADHD和眼闭条件显示出较低的置换熵均值和更大的标准偏差。为了评估置换熵的判别能力，我们将置换熵作为输入特征训练分类模型。结果表明，在一般麻醉数据集中，意识与无意识状态的区分是可靠的。在静息状态数据集中，眼开和眼闭条件可被区分，而控制组和无注意型ADHD组之间的分类显示出明显的可分离性。这表明，如原始时间序列值之类的信息在检测无注意型ADHD方面可能发挥更关键的作用。我们的发现表明，源自EEG相位动力学的置换熵是反映脑状态的有效指标，尤其是与意识有关，而且也凸显了其在识别无注意型ADHD个体方面的局限性。
引用
@article{arxiv.2503.19924,
title = {Human brain state classification via permutation entropy of EEG phase dynamics across consciousness levels and inattentive-type ADHD},
author = {Athokpam Langlen Chanu and Youngjai Park and Jaesung Choi and Younghwa Cha and UnCheol Lee and Joon-Young Moon and Jong-Min Park},
journal= {arXiv preprint arXiv:2503.19924},
year = {2026}
}
备注
18 pages, Accepted for publication in Chaos, Solitons and Fractals