第三屆 以量化EEG為基礎的早期認知遲緩診斷

Chih-Chien Yang、Wun-Tsong Chaou、K.P. Chaou   Quantitative EEG based Early Diagnosis of Cognitive Development
楊志堅 副教授、趙文崇 醫師、趙可屏 助研究員
教育測驗統計研究所*、小兒神經科**、小兒神經科
國立臺中師範學院、彰化基督教醫院、彰化基督教醫院
*Graduate School of Educational Measurement & Statistics
National Tacihung Teachers College   **Department of Pediatric   Changhua Christian Hospital

目的
本研究在利用量化的腦波資料(Quantitative Electroencephalography, QEEG)的統計分析模式之建立以期達到對早期可疑認知遲緩兒童的較客觀而正確的診斷。這個量化的腦波資料統計分析模式是藉由QEEG資料中腦波的振幅強度及頻率多寡的相似程度作為基礎，再運用統計方法將這些資料作客觀的分類，希望能藉由統計檢定的方式提供臨床人員在診斷兒童早期認知功能發展狀況時的一些客觀依據。

文獻回顧
利用對量化的腦波資料(QEEG)的分析以達到檢測兒童或青少年的認知功能如：閱讀、智力等的發展情形做檢測，國外的文獻如Ackerman, Dykman, Oglesby 與 Newton (1994)以及Ackerman, McPherson, Oglesby 與 Dykman (1998)已有記載並有成功的紀錄。國內相關的研究紀錄，在相對之下則較少被登錄，加上外國語文的認知方式與中文的認知與學習有明顯的差異；因此，紀錄本土化的兒童腦波資料(QEEG)與其認知發展的關聯情形將有助於建立早期療育的初期診斷依據。

內容
參與本研究之兒童皆被要求接受中文魏氏(Wechsler)智力量表的檢測與腦電圖(EEG)掃描，樣本中包含了正常兒童以及經臨床診斷為認知能力遲緩的可疑兒童，研究中先將EEG資料依採樣的電極位置(channels)、振幅強度(bands)及頻率多寡(frequency)做量化的轉換，以求得QEEG資料。接著，將兒童的中文魏氏智力量表的檢測結果以有限混合模式(finite mixture model, FMM)做統計上的分類；FMM模式的統計理論基礎與應用在Yang, Muthén 與 Yang (1999)的論文中已有驗證、討論與介紹。利用類似的FMM統計分類方法，我們再將兒童的QEEG資料做分類處理。然後，藉由對這兩個分類結果的交叉比對，本研究可以得知使用QEEG資料在不同的電極位置所得的認知能力遲緩與否的診斷結果的敏感度(sensitivity)及特異度(specificity)。

實際的研究結果顯示在某些電極位置的QEEG資料的分類結果與利用中文魏氏智力量表檢測結果的分類狀況有相當程度的相似性；亦即，利用某些電極位置的QEEG資料的認知能力診斷之統計方法有相當高的敏感度及特異度，詳細的電極位置及相關的統計表將在口頭報告中呈現；而藉由進一步檢查這些結果，本研究也提出可能與兒童的某些認知功能表現有關的本土化腦功能地圖(brain function mapping)。

結論
藉由統計分析方法的使用與模式的建立，本研究就既有的有限資料找到了一些可供做為將來本土化的臨床認知遲緩診斷的參考；本研究的初步研究結果顯示出這個研究領域在臨床應用上的前景。但是需進一步的進行較大規模的研究，才能將本研究的初步研究結果更具體的驗證、標準化與量產化。
 

參考文獻

Ackerman, P.T., Dykman, R.A., Oglesby, D.M., & Newton, J.E.O. (1994). EEG power spectra of children with dyslexia, slow learners, and normally reading children with ADD during verbal processing. Journal of Learning Disabilities, 27, 619-630.

Ackerman, P.T., McPherson, W.B., Oglesby, D.M., & Dykman, R.A. (1998). EEG power spectra of adolescent poor readers. Journal of Learning Disabilities, 31, 83-90.

Yang, C.C., Muthén, B., & Yang, C.C. (1999). Finite mixture multivariate generalized linear models using Gibbs sampling and E-M algorithm, Proceedings of the National Science Council Part A: Physical Science and Engineering, Vol. 23, No. 6, pp. 695-702.