老年遺忘型輕度認知障礙執行功能的神經機制及數字干預

劉海寧 董現玲 劉海虹 劉艷麗 李現文

摘 ?要 ?阿爾茨海默病具有極高的發病率和致死率。遺忘型輕度認知障礙（Amnestic Mild Cognitive Impairment， aMCI）作為臨床前驅期， 探究其形成和發展機制有助于預防阿爾茨海默病的發生。現有研究顯示， 多個執行域缺陷與aMCI記憶衰退密切相關， 但尚未回答何種執行域是關鍵致病因子、關鍵干預治療靶標等科學問題。為突破以往研究將執行功能視作整體抑或割裂元素的局限性， 本研究擬從執行功能結構全貌著眼， 在提出aMCI執行功能與記憶損害關系假說的基礎上， 利用腦電技術系統考察aMCI抑制、刷新和轉換三種執行功能子成分的時域、時頻和動態腦網絡特征; 并結合三維卷積神經網絡篩選、識別執行功能缺陷的特異性神經靶標， 探索將抑制域相關神經標記物加入aMCI早期識別的可能性; 最后， 通過縱向因果設計分析不同靶向數字干預對aMCI患者的訓練效果及神經基礎， 以揭示抑制域相關額頂控制網絡在干預中的重要作用。本研究有望從計算認知神經視角闡明抑制是aMCI執行功能缺損和干預的認知新靶點， 進而為aMCI早期識別和制定精準化診療方案提供循證依據。

關鍵詞 ?執行功能， 遺忘型輕度認知障礙， 認知神經機制， 數字干預， 深度學習

分類號 ?B845

1 ?研究意義

自德國醫生Alois Alzheimer于1906年報道全球首例阿爾茨海默病（Alzheimers disease， AD）距今100余年的今天， 全球罹患癡呆癥（包括AD）的人數逐年攀升， 大約每3秒鐘新增1例癡呆癥確診患者， 預計到2025年癡呆癥患者將增至1.315億（Bondi et al.， 2017）。2020年， 我國60歲及以上人群中有1507萬例癡呆患者， 該疾病造成的醫療成本和收入損失， 預計至2050年將高達18871.8億美元（Jia et al.， 2018）。相應地， 倘若能將癡呆癥的發病時間延后5年， 那么癡呆癥的患病率和相關

醫療保健費用在接下來的25年內將降低約40% （Anderson， 2019）。輕度認知障礙（Mild cognitive impairment， MCI）作為正常年老化與癡呆早期的中間狀態， 表現為主訴報告的認知缺陷和客觀檢查損傷， 其日常生活能力基本正常（Petersen et al.， 1999）。其中， 遺忘型輕度認知障礙（Amnestic MCI， aMCI）作為最常見的亞型， 在確診后6年內演化為AD的幾率高達80%（Gauthier et al.， 2006）。雖然， 情景記憶障礙被認為是aMCI的核心癥狀， 但許多研究者認為執行功能缺陷是該疾病的初始階段特征（da Costa Armentano et al.， 2013; Rabi et al.， 2020）， 并且可能會導致或加劇患者的記憶癥狀， 進而增加演化為AD的風險（Panza et al.， 2010; Yuan et al.， 2016）。因此， 以執行功能為切入點， 極有可能找到aMCI早期識別和干預的新靶點。

執行功能與“執行控制” “中央執行” “執行注意”等術語經常互換使用（De Wit et al.， 2021）。它指一系列對思想、行動和情緒的有意識、自上而下控制的神經認知技能， 是實現推理、意志行動、情緒調節等復雜社會功能所必需的認知能力（Blair， 2016; Chatzikostopoulos et al.， 2022; Marks， 2019）。根據Baddeley的工作記憶模型， 執行功能通過影響后續干擾信息抑制、工作記憶表征更新、心理定勢轉換， 使得aMCI患者編碼和回憶事件的能力下降， 進而產生記憶癥狀（Baddeley et al.， 1992; Schmeichel， 2007）。影像學研究也表明， 執行功能密切相關的額?頂控制網絡， 即背外側額葉?尾狀核的背外側頭部?頂葉皮層形成的神經環路與負責學習、記憶的海馬存在相互調節作用（Taylor et al.， 2020）， 這為理解執行功能與aMCI記憶癥狀間的關系提供了重要的神經生物學依據。因此， 對執行功能開展評估有可能是早期識別aMCI的重要途徑。

然而， 臨床實踐中關于執行功能的神經心理學測驗仍以問卷和訪談為主， 由于其不敏感、主觀性較強， 所以某些執行域缺損在aMCI發病初期可能沒有被檢測到（Guo et al.， 2012）。任務態腦電（Event-related Potential， ERP）具有高時間分辨率， 可以從不同時間尺度敏感地捕捉執行功能任務背后的神經活動異常， 為執行功能的客觀評估提供了新途徑。研究表明， 執行功能結構具有同一性和特異性的特點， “抑制”可能是刷新、轉換其他子成分的潛在共同認知過程（Friedman & Robbins， 2022; May & Kana， 2020）。由此推測以執行功能結構為抓手， 極有可能找到aMCI執行功能缺損的特異性神經靶標。通常， 研究者們采用潛變量結構方程模型等方法來驗證某一心理成分的理論結構， 但是由于反映不同執行功能子成分加工過程的腦電信號具有多維性、非平穩性等特點， 傳統的統計方法難以統合這類數據（May & Kana， 2020）; 而深度學習可以整合高維腦電數據中的時空信息， 并且識別與分類aMCI的性能更優良（Wen et al.， 2021）。因此， 有必要引入人工智能中的深度學習算法， 結合腦電技術， 篩選并識別aMCI執行功能缺損的特異性神經靶標， 進而為aMCI臨床早期識別提供實證依據。

靶向數字干預（Targeted Digital Intervention）是互聯網全民化時代的一種新型認知數字療法。依靠互聯網移動端和高時間分辨率的腦電技術， 研究者得以深入揭示單個執行功能子成分對認知正常老年人的干預效果及腦電信號變化特點， 證實了執行功能具有較強的神經可塑性（Anguera et al.， 2013; Tusch et al.， 2016）。然而， aMCI作為一種神經網絡動力性衰退的腦網絡性疾病， 上述訓練方案的干預范式、劑量能否直接遷移至aMCI障礙人群仍有待探討。此外， 執行功能的嵌套因素模型提示“抑制”可能是aMCI患者執行功能結構缺損的認知靶標（Friedman & Robbins， 2022; Karr et al.， 2018）， 以結構缺損潛在認知靶標“抑制”作為干預靶標的數字干預訓練、遷移效果是否優于其他子成分訓練尚不清楚。

本研究擬以執行功能為切入點， 采用橫向研究設計探究aMCI患者執行功能的結構特點及認知神經機制， 進一步結合深度學習算法篩選并識別其執行功能缺損的特異性神經靶標; 最后， 采用縱向研究設計， 通過靶向數字干預訓練尋找干預效果強的執行功能子成分并闡明干預訓練、遷移、劑量效應以及干預起效的關鍵作用。該項目的執行有望為實現老年aMCI人群精準醫療提供新的認知干預靶點， 進而為國家衛生部門制定預防和診療新方案提供循證依據。

2 ?研究現狀及發展動態分析

2.1 ?遺忘型輕度認知障礙執行功能相關的異常神經電生理活動

目前， 國內外aMCI執行功能的評估主要基于神經心理學測驗， 這種診斷方式具有主觀性較強、易受患者教育程度影響、發病早期不靈敏等缺點（Babiloni et al.， 2021）。由于執行功能通常是在快速轉換的環境中進行的， 所以不能單純依賴于傳統的神經心理學測試， 而是要采用更為敏感的任務態神經腦電技術， 即事件相關電位（Event- related Potential， ERP）。鎖時的神經電生理信號可以從時間尺度明確諸如預備性線索、靶刺激、正確或錯誤反應等重要事件對執行功能加工過程的相對貢獻。因此， 從ERP角度探究aMCI患者執行功能失調的腦神經機制極有可能抓住早期識別的主要環節。

2.1.1 ?時域和時頻特征

執行功能通常被測量為：抑制、刷新和轉換（Karr et al.， 2018）。目前， 關于aMCI患者執行功能的神經電生理研究大多從某一單個執行功能子成分著眼， 比如研究者們分別以Go/No-go、N-back和任務轉換范式考察aMCI患者抑制、刷新和轉換的神經活動特點時， 較為一致的結論是Go/No-go任務在患者組額頂區誘發的N200、P300波幅低于認知正常組， 同時N-back和轉換任務在患者頂葉區誘發的P300波幅也表現出類似的趨勢。另外， aMCI患者在轉換任務中的P300潛伏期延遲于認知正常老年人（見表1）。但是， 尚未有研究系統、綜合地比較aMCI患者在抑制、轉換和

刷新三個執行功能子成分上的腦電信號特征。通過表1中的文獻梳理得出， aMCI患者在三個執行功能子成分間的腦電信號特征可能存在某種重疊（比如， 腦電成分和腦區）， 同時也存在部分特異性。由此推測aMCI患者執行功能的神經活動模式可能兼具同一性和特異性的特點。

不過， 以往研究中也存在不一致的發現， 比如有些研究發現aMCI患者在Go/No-go和N-back任務中N200、P300潛伏期延后于認知正常組（Chiang et al.， 2018）， 有些研究則發現上述腦電成分潛伏期的組間差異不具有統計學意義（Gu et al.， 2019）。這可能是因為目前關于aMCI患者執行功能的神經電生理研究大多來源于ERP群體差異性分析， 這種分析方法通常在多個電極位置比較某些成分的振幅和潛伏期， 這樣做要么有可能由于多重比較導致假陽性效應的概率增加（Fields & Kuperberg， 2020）， 要么由于使用Bonferroni或類似方法調整alpha誤差水平導致統計功效下降（Stahl et al.， 2012）。因此， 有必要探索優于腦電傳統時空平均分析方法的新算法， 以更有效地統合這類高維數據， 進一步探尋aMCI患者執行功能結構受損的特征靶標。

2.1.2 ?腦網絡連接特征

人類的認知加工都會涉及腦區內和腦區間神經元群體的同步化活動。其中， 腦區間的相互協作關系被視作有效完成認知任務的物質基礎， 可通過微觀（神經元水平）、介觀（神經元集群）和宏觀（大腦腦區）三個空間尺度的腦網絡（Brain Network）分析定量刻畫。

關于aMCI執行功能的腦網絡分析， 多以功能性磁共振成像（functional MRI， fMRI）為研究工具， 通常采用Pearson相關分析、相干分析、相位同步指數等方法來刻畫局部腦區之間血氧活動的動態協調關系（即功能連接）; 而采用Granger因果模型（Granger Causality Model， GCM）、部分定向相干、動態因果模型等方法刻畫腦區間的因果和調控關系（即效應連接） （Zhong et al.， 2022）。比如， Wang等（2019）采用Pearson相關分析發現aMCI患者在工作記憶（刷新）任務中的成績下降與其右腹外側前額葉皮層、右背外側前額葉皮層和左輔助運動區的低頻振幅代償性增加有關。Huang等（2023）采用Granger因果系數分析發現， aMCI患者后扣帶皮層與左內側顳葉的有效連接減少與神經心理學測試（畫鐘測試）成績呈負相關。雖然基于fMRI的腦網絡分析在aMCI執行功能失調的機理研究上做了大量令人欽佩的工作， 但血液動力學的時間動態性限制了其對瞬態神經活動變化的捕捉。由于腦電具有高時間分辨率特性并可無創性監測皮層神經電活動， 因此應考慮通過腦電信號構建頭表腦電腦網絡探索aMCI執行功能失調的神經機制。

遺忘型輕度認知障礙作為一種神經網絡動力性衰退的腦網絡性疾病， 其神經網絡具有一定的獨特性：首先， 連通性變化呈非線性趨勢， 基于不同的皮質萎縮程度， 疾病早期的代償性連通性增強會轉為連通性下降甚至失連接; 其次， 社區結構（community structure）的模塊度降低， 其特征是節點組之間緊密連接， 而與本地分組之外的節點連接較少; 最后， 前額葉腦區通過自上而下的方式調節后頭部頂區的認知加工， 相關神經活動也表現出調控和被調控的模式（Hillary & Grafman， 2017）。時變多層網絡模型作為一種多層網絡分析， 較之單層網絡分析具有能夠捕獲多頻段、多尺度、多層社區以及時空數據集完整神經信息的優勢（Li et al.， 2017）， 恰好能夠滿足aMCI患者腦網絡的分析需求。因此， 有必要利用時變多層網絡模型進行社區重構， 以探索aMCI在執行功能加工過程中大腦動態網絡的工作機制。

2.2 ?執行功能的理論結構及數據建模

關于執行功能神經評估的元分析發現， 抑制、刷新和轉換三種神經認知技能激活的額頂葉控制和背側注意網絡存在部分重疊區域（May & Kana， 2020）; 同時， 前額葉、前/中扣帶回以及皮質下涉及刷新、轉換任務的腦區均發現特異性激活（Iachini et al.， 2021）。上述神經生物學基礎的共同性和差異性說明執行功能的三個子成分彼此不是完全獨立的， “抑制”子成分可能是其他子成分的潛在共同認知過程。例如， 刷新任務需要“抑制”， 以阻止無關信息進入工作記憶， 并適時從工作記憶中移除不相關信息。類似地， 轉換任務需要“抑制”與當前任務定勢無關的信息， 以及在規則轉換時“抑制”不相關的任務定勢。

潛變量研究結果表明， 成年人執行功能的嵌套因素模型擬合度要優于單一維度模型和三因素模型（Friedman & Robbins， 2022; Karr et al.， 2018）。該模型表明， 抑制并非是獨立的、特異性的執行功能子成分， 而是比更新、轉換更為基礎的執行功能。換句話說， 可以將大多數執行功能描述為需要某種抑制（Bull & Scerif， 2001）。由此推測執行功能的結構存在類似于智力二因素論中的一般（General， G）因素和特殊（Specific， S）因素。不過， 一方面上述執行功能的嵌套因素模型是針對正常成年人的研究， “抑制”是否是aMCI患者各個執行功能子成分的潛在共同認知過程（見圖1）尚需進一步探索; 另一方面， 該模型是基于反應時和正確率等行為數據構建的， 而行為測量反映的是從刺激呈現到行為反應這個心理過程的總和。有研究者指出， 一些初始的注意定向可能捕捉不到就已經發生注意轉移了（Kappenman et al.， 2015）。因此， 有必要利用高時間分辨率的腦電技術驗證aMCI人群執行功能的理論結構。

由于腦電信號涉及時域（如潛伏期、波幅）、時頻域（能量、相位一致性）多維數據集， 這類多維數據恰好反映了執行功能神經活動的復雜性。然而， 傳統的潛變量分析方法很難統合這類高維數據（區健新 等， 2020）。機器學習作為人工智能的一個分支， 可從高維度且有噪聲的腦電信號中提取有意義信息。目前， 研究者多將機器學習與靜息態腦電技術結合應用于aMCI患者的分類識別， 分類敏感性大多在60%～73%之間， 特異性在70%以上， 分類準確度可達90%以上（Youn et al.， 2020; Kim et al.， 2022; Musaeus et al.， 2018）。然而， 利用機器學習算法結合任務態腦電技術對探索執行功能結構的研究寥寥無幾。經檢索文獻， 僅有Krumpe等（2018）利用傳統機器算法中的支持向量機對正常成年人在Flanker與N-back任務中的ERP、功率譜和瞳孔直徑進行跨分類驗證， 以提取類之間神經相關特征的潛在重疊信息， 發現執行功能子成分“更新”和“抑制”各自獨有一部分特征， 同時也共享一部分特征。由于傳統機器學習算法的特征提取和特征分類是分開的兩個步驟， 并且對研究人員的先驗知識和經驗要求較高。深度學習較之傳統的機器技術， 可通過多層體系結構擬合復雜的自定義模型， 利用深度神經網絡直接提取相關特征， 一步完成腦電信號處理， 有著更優良的分類性能（張軍鵬 等， 2023）。最近， Michmizos團隊借助深度學習技術提出可從神經電生理學高度解釋的三維卷積神經網絡（Convolutional Neural Network， CNN）， 該網絡能夠捕獲運動過程中EEG特征的時空特性， 保留了大腦誘發活動中至關重要的時間成分（Kumar & Michmizos， 2022）。同時， 國內研究者基于EEG信號開發出一種深度學習算法——單尺度多輸入卷積神經網絡分類模型。該模型對aMCI伴隨Ⅱ型糖尿病患者和正常人群分類的準確率高達95%以上（Wen et al.， 2021）。因此有理由認為：利用深度學習技術進行腦電特征提取、跨分類驗證、跨人群驗證， 可以更客觀地驗證aMCI患者執行功能的理論結構模型， 進而明確執行功能的G因素——“抑制”是患者執行功能缺損的靶標并且是aMCI記憶癥狀的可能致病因素。

2.3 ?老年人執行功能的數字干預及神經機制

美國神經病學學會于2017年發布的最新版輕度認知障礙臨床指南中指出， 暫未發現強有力的證據支持藥物干預對輕度認知障礙癥狀緩解有效（Petersen et al.， 2018）。相反， 實證研究發現借助計算機系統對注意、記憶、邏輯推理等認知域進行認知訓練， 可在一定程度上改善老年aMCI人群的整體認知功能、工作記憶、言語記憶、視覺記憶、注意力， 以及精神運動學習狀況（Sherman et al.， 2017）。這一研究提示可借助認知訓練這種非藥物治療手段提升aMCI患者執行功能的可塑性。

在移動互聯網時代， 靶向數字干預是基于神經可塑性理論， 利用智能手機、平板電腦等數字化介質， 以視頻游戲為載體， 針對當前個體的認知功能模型， 科學設計干預范式、干預劑量的一種難度自適應性認知訓練方法（Kollins et al.， 2020）。一方面， 該干預手段具有可及性、便捷性、經濟性、無創性等方面的潛在優勢; 另一方面， 其高度標準化性質允許在控制其他變量的同時針對特定的認知域進行干預， 從而有助于更好地理解認知訓練的作用機制（Domhardt et al.， 2021; Holmes et al.， 2018）。然而， 目前鮮有關于aMCI患者靶向數字干預及其神經機制的文獻報告， 研究者們更多關注認知正常老年人執行功能的訓練效果。比如， 《自然》于2013年報道了為期4周的沖突控制類數字干預可以提升其認知成績， 并且認知改變與前額葉中線區域的Theta功率增加有關（Anguera et al.， 2013）; 隨后研究發現， 為期6周的適應性工作記憶（刷新）訓練對認知功能的改善與頂葉中線位置P300振幅增加有關（Tusch et al.， 2016）， 為期6周的整體執行功能認知訓練效果則與頂葉中線位置CNV振幅增加相關（Chainay et al.， 2021）。上述成果充分證實了老年人執行功能具有較強的神經可塑性， 但是這些研究或者是單個執行功能子成分訓練， 或者是整體執行功能訓練， 未曾深入討論干預范式針對何種靶向執行功能子成分、干預劑量多少可以使干預起效等問題。此外， 上述數字干預的靶向內容、干預頻次、時長等能否直接遷移至罹患aMCI的老年人群尚待考證。Moshe等（2021）提出參與者特征、干預范式、劑量恰恰是影響數字干預效果的關鍵因素。因此， 必須比較以不同執行功能子成分為核心要素的靶向數字干預對aMCI患者的訓練、遷移和劑量效應及神經基礎， 才能揭示靶向數字干預的起效路徑， 闡明訓練相關認知與神經變化之間的聯系， 進而為aMCI認知數字治療提供更精確的干預方案。

3 ?問題提出

本研究擬以執行功能的結構特點為切入點， 理解aMCI人群執行功能的損傷， 并以此為靶點探尋不同靶向數字干預對aMCI患者的訓練效果及神經基礎， 以揭示抑制域相關額頂控制網絡在干預中的重要作用。圍繞此提出以下問題：

第一， 如何從神經生理層面探明“抑制”是aMCI患者執行功能結構受損的特征靶標？Baddeley的工作記憶模型指出執行功能與情景記憶間存在某種相互作用關系， 但未細化明確何種執行功能子成分上受損會誘發或加劇aMCI患者的記憶癥狀。由于腦神經的病理性改變早于認知障礙記憶癥狀的出現， 因此本研究擬將高時間分辨率的腦電技術作為研究手段， 同時利用深度學習可以統合多維腦電信號時空特征的優勢， 重點考察基于抑制功能腦電特征構建的卷積神經網絡分類模型在另外兩個執行功能子成分——“刷新”和“轉換”相關腦電數據集中能否得以驗證以及該模型對癥狀人群分類識別的性能， 進一步從神經生理角度澄清抑制功能是否是執行功能理論結構的G因素。

第二， 以何種執行功能子成分為靶標， “劑量”多大的訓練可以有效提升aMCI患者的神經可塑性， 進而改善其記憶癥狀？針對G因素?抑制域的靶向數字干預效果是否優于刷新和轉換？既往針對aMCI患者的在線認知訓練大多涉及數個認知域且干預時長不一， 不利于回答認知訓練提升患者神經可塑性的關鍵作用機制。基于此， 本研究擬針對不同執行功能子成分科學設計干預范式， 并根據aMCI患者當前的認知訓練成績反饋， 進行難度自適應調整， 分別在干預4周和8周時考察干預、遷移和劑量效應以及相應神經電生理指標和動態腦網絡連接的變化， 重點關注針對抑制域的靶向數字干預措施對aMCI患者情景記憶的改善程度是否優于刷新和轉換靶向數字干預。

4 ?研究構想

本研究總體思路遵循aMCI患者執行功能“腦神經時空特性評估→特征靶標識別→靶向數字干預”的路徑， 將采用行為、ERP腦電技術與深度學習、縱向干預相結合的研究方法。首先， 利用腦電技術通過Go/No-go、N-back和定勢轉換任務3個范式， 得出aMCI不同執行功能子成分的腦內神經活動特點（研究1）; 在此基礎上， 再使用深度學習篩選出可信度高的特征， 初步構建基于不同執行功能子成分的三維卷積神經網絡分類模型， 并進行跨分類、跨人群驗證， 識別aMCI執行功能缺損的特異性神經靶標（研究2）; 最后， 通過縱向干預研究檢驗以不同執行功能子成分為核心要素的靶向數字干預對aMCI患者訓練的干預、遷移、劑量效應及相應的神經基礎， 明確干預的起效機制（研究3）， 見圖2。

4.1 ?遺忘型輕度認知障礙患者執行功能的神經電生理活動

研究1利用高時間分辨率腦電技術， 探究aMCI患者不同執行功能子成分的神經電生理活動。該部分包含1個腦電基線實驗和3個執行功能腦電實驗， 通過比較aMCI和正常認知老年組在Go/No-Go、N-back和轉換任務中的時域、時頻分析域和動態腦網絡連接變化， 揭示aMCI患者在不同執行功能子成分抑制、刷新和轉換的認知神經機制及腦功能網絡損傷特點。本研究采用2 （組別：aMCI組vs.認知正常老年組） × 2 （刺激類型：X vs. Y）兩因素混合設計。其中， 組別為組間因素， 刺激類型為組內因素。在Go/No-Go、N-back和轉換任務中， 組內因素（X vs. Y）分別為Go vs. No-Go、一致vs.不一致、重復規則vs.轉換規則。為保證實驗材料的同質性， 上述實驗任務的刺激材料為上、下、左、右四個朝向不同方位的箭頭。在Go/No-go任務中， 要求被試對綠色閃爍箭頭的指向既快又準地做出反應， 而對紅色閃爍箭頭不做任何反應; 在N-back任務中， 要求被試比較當前箭頭朝向與前N個箭頭是否相同; 在轉換任務中， 當閃爍箭頭為綠色（重復規則）時， 要求被試對箭頭指向做出一致反應; 當為紅色（轉換規則）時， 則要求被試做出相反的按鍵反應。本研究假設aMCI患者在上述執行功能任務中的表現顯著差于認知正常老年個體， 其神經表征可能是N200波幅、P300波幅以及Alpha、Theta等頻段能量的變化。另外， 由于神經系統的退行性， aMCI患者在不同執行功能任務中可能具有不同的腦電腦網絡連接模式。

4.2 ?基于深度學習的遺忘型輕度認知障礙執行功能結構模型建構與驗證

研究2利用深度學習統合腦電時、空多維數據的優勢， 構建aMCI患者抑制、刷新和轉換3個執行功能子成分的三維卷積神經網絡分類模型， 證實“抑制”是不同執行功能子成分的潛在共同認知過程， 即G因素。具體流程如下（圖3）： （1）頻域特征提取：提取研究1中aMCI患者不同執行功能任務態的腦電數據， 將ERPs的theta， alpha及beta 3個頻段形成的圖像按照RGB通道順序形成多光譜圖像。將不同腦區的多光譜圖像分別作為輸入數據， 同步輸入到不同的卷積通道， 經過三層二維卷積層和三層池化層提取頻域特征。（2）時空特征提取：將不同任務不同時刻的腦地形圖作為輸入， 采用五層三維卷積層和一層二維卷積層生成空間特征圖， 同時通過反向傳播獲取梯度加權類激活熱圖（Gradient-weighted Class Activation Mapping， Grad-CAM）， 分析網絡對于3個執行功能子成分分類的關注腦區， 進一步提取重點腦區的空間特征。（3）腦功能連接特征提取：首先， 從任務態腦電中提取基于拓撲的復雜網絡度量的大腦連接特征; 其次， 提取不同頻段的連通特征， 作為三維卷積神經網絡分類器集成的輸入; 最后， 將不同頻帶上連接復雜網絡特征的一維向量轉換成二維張量， 作為一維的輸入， 進一步提取重點腦區的腦功能連接特征。（4）構建深度學習分類模型：將上述多維神經生理學腦電頻域和時空特征進行融合; 之后， 進行特征組合集群分析， 篩選出有效特征值， 區分基線、抑制、刷新和轉換四個不同因子水平， 搭建機器學習分類架構， 在每個執行功能子成分與基線條件的差異間各訓練1個分類器; 通過5倍交叉驗證， 初步構建遺忘型輕度認知障礙抑制、刷新和轉換模型。（5）跨分類驗證：以其余執行功能子成分的腦電特征值作為測試集， 對上述aMCI抑制、刷新和轉換模型進行執行功能子成分特征集兩兩間交叉驗證， 比較不同模型分類結果的準確度、敏感度、特異度， 以考察不同子成分神經特征間的“重疊”程度。（6）跨人群驗證：按照研究1的研究流程， 對30名認知正常老年人群進行ERP腦電實驗。將臨床診斷結果作為金標準， 對aMCI抑制、刷新和轉換域神經相關分類模型的分類效果進行準確度、敏感度、特異度的跨人群驗證。本研究假設aMCI患者抑制域神經分類模型與刷新、轉換子成分的交叉分類驗證的準確度顯著高于偶然水平; 同時， 抑制域神經分類模型在跨人群驗證中的分類性能優于刷新、轉換分類模型。

4.3 ?靶向數字干預對遺忘型輕度認知障礙的干預效果及神經機制

在前面研究基礎上， 研究3力圖尋找干預效果強的執行功能子成分靶向數字干預方案。采用靶向數字干預， 并結合腦電技術， 重點考察以不同執行功能子成分為核心要素的靶向數字干預對aMCI患者的訓練、遷移和劑量效應及其神經基礎。采用4 （組別：抑制組/刷新組/轉換組/主動控制組） × 3 （測量時間：前測/后測1/后測2）兩因素混合設計。其中， 組別為組間變量， 測量時間為組內變量。本研究對抑制組、刷新組和轉換組分別實施“打地鼠” “風景如畫” “一心二用”難度自適應的靶向數字干預， 主動控制組僅實施加工速度的訓練; 每周訓練3次， 每次訓練30分鐘， 分別在第4周和第8周進行后測。本研究前、后測任務同研究1。本研究假設針對aMCI患者抑制功能訓練會涉及到額頂控制網絡相關腦區的活動， 其干預效果最佳， 并可能遠遷移至刷新和轉換任務。

5 ?理論建構

本研究提出aMCI執行功能與記憶損害關系假說。從執行功能的同一性角度出發， 訓練高階控制系統會使各種執行功能子成分受益; 而從模塊化角度來看， 遷移的范圍應取決于受訓練任務和遷移任務之間特定領域神經基礎上重疊的程度（Ulbl & Rakusa， 2023）。由此推導出aMCI執行功能訓練可能的遷移效果， 即針對aMCI患者抑制子成分的訓練效果可遷移至刷新和轉換， 而刷新和轉換的訓練收益則不能遷移至彼此。此外， 鑒于皮質?邊緣系統背側通路中主司執行功能的背外側前額葉與主司學習、記憶的海馬結構存在相互調節作用， 故作者提出 aMCI執行功能與記憶損害關系假說， 并推測訓練涉及額頂控制網絡范圍較大的抑制子成分更有助于減弱或延緩aMCI患者的記憶損害（見圖4）。

本研究有三點創新之處。第一， 本研究聚焦于aMCI早期的一種高級認知過程異常?執行功能缺損， 并深入探討其認知神經機制。執行功能缺損與工作記憶、情景記憶、視覺語義等認知障礙緊密相關， 并影響后續的計劃、推理、決策、解決問題等高階認知功能， 這為尋找aMCI認知衰退關鍵致病認知因子及早期精準化干預提供了重要抓手。以此為切入點， 系統闡明aMCI執行功能結構的神經特點和干預調節機制， 為深度學習建模及靶向數字干預提供理論指引， 帶動方法創新， 體現出較為深厚的理論積淀和特色。

第二， 本研究堅持以科學問題為導向推動方法創新。根據任務態腦電信號具有高維度、易受噪聲影響的特點， 針對性采用三維卷積神經網絡對腦電時空信息特征進行分析， 使得從神經層面揭示aMCI執行功能結構成為可能。另外， 利用時域、時頻域、動態腦功能網絡分析方法， 捕捉抑制、轉換和刷新執行功能任務中功能腦區的時?頻?空耦合信息， 多層次描繪大腦神經活動的時空特征。采用“典型異常腦電特征?主要興趣腦區?重點驅動腦區?特異性致病特征”的思路， 嘗試探索并闡明aMCI干預調控候選靶向目標。此外， 借助多模態腦電指標體系優勢， 進一步揭示aMCI腦網絡尤其是額?頂網絡早期出現素質性連接下降在病理改變中的關鍵作用。

第三， 在上述基礎上， 力圖在臨床認知康復應用中進一步驗證不同靶向數字干預方法的干預效果。通過精準靶向調控不同執行功能子成分， 以期改善aMCI患者的臨床認知表現。將可能的特異性損傷靶標（“抑制”）作為重點關注的干預調控靶標， 并細致比較其與其他干預調控靶標（如“刷新”、“轉換”）的干預、遷移和劑量效應差異， 同時明晰腦功能動態連接變化， 實現“記憶癥狀?靶向目標識別?認知訓練?執行功能神經可塑性?記憶改善”的閉環調控策略， 顯示出技術應用創新。憑借醫理融合的學術和臨床實踐優勢， 不僅有利于新型靶向數字干預的技術創新， 而且實際干預效果也可以為aMCI執行功能失調理論及神經機制提供實證依據。

綜上， 本研究將從神經生理層面探究aMCI患者執行功能的理論結構特點及其認知神經機制， 并利用深度學習進行腦電特征提取、跨分類驗證、跨人群驗證， 以驗證執行功能的嵌套因素結構模型， 進一步證明抑制是患者執行功能缺損的特征靶標; 此外， 進一步對患者實施以不同執行功能子成分為核心要素的靶向數字干預， 從行為和神經生理上比較不同干預措施的近、遠遷移效果及劑量效應， 尋找干預效果強的執行功能子成分及神經電生理標記物， 力圖闡明執行功能G因素（抑制）相關的額頂控制網絡在靶向數字干預中的關鍵作用， 進而證明“認知訓練?執行功能神經可塑性?記憶改善”這一起效路徑。

參考文獻

區健新， 吳寅， 劉金婷， 李紅. （2020）. 計算精神病學：抑郁癥研究和臨床應用的新視角. 心理科學進展， 28（01）， 111?127.

張軍鵬， 施玉杰， 蔣睿， 董靜靜， 邱昌建. （2023）. 基于腦電信號的認知功能障礙識別與分類進展綜述. 計算機應用， 43（10）， 3297?3308.

Anderson， N. D. （2019）. State of the science on mild cognitive impairment （MCI）. CNS Spectrums， 24（1）， 78?87.

Anguera， J. A.， Boccanfuso， J.， Rintoul， J. L.， Al-Hashimi， O.， Faraji， F.， Janowich， J.， ... Gazzaley， A. （2013）. Video game training enhances cognitive control in older adults. Nature， 501（7465）， 97?101.

Babiloni， C.， Arakaki， X.， Azami， H.， Bennys， K.， Blinowska， K.， Bonanni， L.， ... Guntekin， B. （2021）. Measures of resting state EEG rhythms for clinical trials in Alzheimer's disease： Recommendations of an expert panel. Alzheimers & Dementia， 17（9）， 1528?1553.

Baddeley， A. D.， Bressi， S.， Sala， S. D.， Logie， R. H.， & Spinnler， H. （1992）. The decline of working memory in Alzheimer's disease： A longitudinal study. Brain， 114（Pt 6）， 2521?2542.

Blair， C. （2016）. Developmental Science and Executive Function. Current Directions in Psychological Science， 25（1）， 3?7.

Bondi， M. W.， Edmonds， E. C.， & Salmon， D. P. （2017）. Alzheimer's disease： Past， present， and future. Journal of the International Neuropsychological Society， 23（9-10）， 818?831.

Bull， R.， & Scerif， G. （2001）. Executive functioning as a predictor of children's mathematics ability： Inhibition， switching， and working memory. Developmental Neuropsychology， 19（3）， 273?293.

Chainay， H.， Joubert， C.， & Massol， S. （2021）. Behavioural and ERP effects of cognitive and combined cognitive and physical training on working memory and executive function in healthy older adults. Advances in Cognitive Psychology， 17（1）， 58?69.

Chatzikostopoulos， A.， Moraitou， D.， Tsolaki， M.， Masoura， E.， Papantoniou， G.， Sofologi， M.， ... Papatzikis， E. （2022）. Episodic memory in amnestic mild cognitive impairment （aMCI） and Alzheimer's disease dementia （ADD）： Using the "doors and people" tool to differentiate between early aMCI-Late aMCI-Mild ADD diagnostic groups. Diagnostics （Basel）， 12（7）， 1768.

Chiang， H. S.， Spence， J. S.， Kraut， M. A.， & Mudar， R. A. （2018）. Age effects on event-related potentials in individuals with amnestic Mild Cognitive Impairment during semantic categorization Go/NoGo tasks. Neuroscience Letters， 670， 19?21.

Cid-Fernández， S.， Lindín， M.， & Díaz， F. （2014）. Effects of amnestic mild cognitive impairment on N2 and P3 Go/NoGo ERP components. Journal of Alzheimers Disease， 38（2）， 295?306.

Cid-Fernández， S.， Lindín， M.， & Díaz， F. （2017）. Neurocognitive and behavioral indexes for identifying the amnestic subtypes of mild cognitive impairment. Journal of Alzheimers Disease， 60（2）， 633?649.

da Costa Armentano， C. G.， Porto， C. S.， Nitrini， R.， & Dozzi Brucki， S. M. （2013）. Ecological evaluation of executive functions in mild cognitive impairment and Alzheimer disease. Alzheimer Disease & Associated Disorders， 27（2）， 95?101.

De Wit， L.， Marsiske， M.， O'Shea， D.， Kessels， R. P. C.， Kurasz， A. M.， DeFeis， B.， ... Smith， G. E. （2021）. Procedural learning in individuals with amnestic mild cognitive impairment and Alzheimer's dementia： A systematic review and meta-analysis. Neuropsychology Reveiw， 31（1）， 103?114.

Domhardt， M.， Steubl， L.， Boettcher， J.， Buntrock， C.， Karyotaki， E.， Ebert， D. D.， ... Baumeister， H. （2021）. Mediators and mechanisms of change in internet- and mobile-based interventions for depression： A systematic review. Clinical Psychology Reveiw， 83， 101953.

Fields， E. C.， & Kuperberg， G. R. （2020）. Having your cake and eating it too： Flexibility and power with mass univariate statistics for ERP data. Psychophysiology， 57（2）， e13468.

Fraga， F. J.， Ferreira， L. A.， Falk， T. H.， Johns， E.， & Phillips， N. D. （2017）. Event-related synchronisation responses to N-back memory tasks discriminate between healthy ageing， mild cognitive impairment， and mild Alzheimer's disease. New Orleans， LA.

Friedman， N. P.， & Robbins， T. W. （2022）. The role of prefrontal cortex in cognitive control and executive function. Neuropsychopharmacology， 47（1）， 72?89.

Gauthier， S.， Reisberg， B.， Zaudig， M.， Petersen， R. C.， Ritchie， K.， Broich， K.， ... Winblad， B. （2006）. Mild cognitive impairment. Lancet， 367（9518）， 1262?1270.

Gu， L.， Chen， J.， Gao， L.， Shu， H.， Wang， Z.， Liu， D.， ... Zhang， Z. （2019）. Deficits of visuospatial working memory and executive function in single- versus multiple-domain amnestic mild cognitive impairment： A combined ERP and sLORETA study. Clinical Neurophysiology， 130（5）， 739?751.

Gu， L. H.， Chen， J.， Gao， L. J.， Shu， H.， Wang， Z.， Liu， D.， ... Zhang， Z. J. （2017）. The effect of Apolipoprotein E ε4 （APOE ε4） on visuospatial working memory in healthy elderly and amnestic mild cognitive impairment patients： An event-related potentials study. Frontiers in Aging Neuroscience， 9， 145.

Gu， L. H.， & Zhang， Z. J. （2017）. Exploring potential electrophysiological biomarkers in mild cognitive impairment： A systematic review and meta-analysis of event-related potential studies. Journal of Alzheimers Disease， 58（4）， 1283?1292.

Guo， Q. H.， Zhou， B.， Zhao， Q. H.， Wang， B.， & Hong， Z. （2012）. Memory and Executive Screening （MES）： A brief cognitive test for detecting mild cognitive impairment. BMC Neurology， 12（1）， 119.

Hillary， F. G.， & Grafman， J. H. （2017）. Injured brains and adaptive networks： The benefits and costs of hyperconnectivity. Trends in Cognitive Sciences， 21（5）， 385?401.

Holmes， E. A.， Ghaderi， A.， Harmer， C. J.， Ramchandani， P. G.， Cuijpers， P.， Morrison， A. P.， ... Craske， M. G. （2018）. The Lancet Psychiatry Commission on psychological treatments research in tomorrow's science. Lancet Psychiatry， 5（3）， 237?286.

Huang， J. （2023）. Functional and effective connectivity based classification and prediction of Alzheimers disease. North Carolina State University.

Iachini， T.， Ruotolo， F.， Iavarone， A.， Mazzi， M. C.， & Ruggiero， G. （2021）. From aMCI to AD： The role of visuo-spatial memory span and executive functions in egocentric and allocentric spatial impairments. Brain Sciences， 11（11）， 1536.

Jia， J.， Wei， C.， Chen， S.， Li， F.， Tang， Y.， Qin， W.， ... Gauthier， S. （2018）. The cost of Alzheimer's disease in China and re-estimation of costs worldwide. Alzheimers & Dementia， 14（4）， 483?491.

Kappenman， E. S.， MacNamara， A.， & Proudfit， G. H. （2015）. Electrocortical evidence for rapid allocation of attention to threat in the dot-probe task. Social Cognitive and Affective Neuroscience， 10（4）， 577?583.

Karr， J. E.， Areshenkoff， C. N.， Rast， P.， Hofer， S. M.， Iverson， G. L.， & Garcia-Barrera， M. A. （2018）. The unity and diversity of executive functions： A systematic review and re-analysis of latent variable studies. Psychological Bulletin， 144（11）， 1147?1185.

Kim， J. G.， Kim， H.， Hwang， J.， Kang， S. H.， Lee， C. N.， Woo， J.， ... Park， K. W. （2022）. Differentiating amnestic from non-amnestic mild cognitive impairment subtypes using graph theoretical measures of electroencephalography. Scientific Reports， 12（1）， 6219.

Kollins， S. H.， DeLoss， D. J.， Ca?adas， E.， Lutz， J.， Findling， R. L.， Keefe， R. S. E.， ... Faraone， S. V. （2020）. A novel digital intervention for actively reducing severity of paediatric ADHD （STARS-ADHD）： A randomised controlled trial. Lancet Digital Health， 2（4）， Article e168?e178.

Krumpe， T.， Scharinger， C.， Rosenstiel， W.， Gerjets， P.， & Spüler， M. （2018）. Unity and diversity in working memory load： Evidence for the separability of the executive functions updating and inhibition using machine learning. Biological Psychology， 139， 163?172.

Kumar， N.， & Michmizos， K. P. （2022）. A neurophysiologically interpretable deep neural network predicts complex movement components from brain activity. Scientific Reports， 12（1）， 1101.

Li， J.， Broster， L. S.， Jicha， G. A.， Munro， N. B.， Schmitt， F. A.， Abner， E.， ... Jiang， Y. （2017）. A cognitive electrophysiological signature differentiates amnestic mild cognitive impairment from normal aging. Alzheimer's Research & Therapy， 9（1）， 3.

López Zunini， R. A.， Knoefel， F.， Lord， C.， Breau， M.， Sweet， L.， Goubran， R.， ... Taler， V. （2016）. P300 amplitude alterations during inhibitory control in persons with Mild Cognitive Impairment. Brain Research， 1646， 241?248.

López Zunini， R. A.， Knoefel， F.， Lord， C.， Dzuali， F.， Breau， M.， Sweet， L.， ... Taler， V. （2016）. Event-related potentials elicited during working memory are altered in mild cognitive impairment. International Journal of Psychophysiology， 109， 1?8.

Marks， D. F. （2019）. I am conscious， therefore， I am： Imagery， affect， action， and a general theory of behavior. Brain Science， 9（5）， 107.

May， K. E.， & Kana， R. K. （2020）. Frontoparietal network in executive functioning in autism spectrum disorder. Autism Research， 13（10）， 1762?1777.

Moshe， I.， Terhorst， Y.， Philippi， P.， Domhardt， M.， Cuijpers， P.， Cristea， I.， ... Sander， L. B. （2021）. Digital interventions for the treatment of depression： A meta-analytic review. Psychological Bulletin， 147（8）， 749?786.

Mudar， R. A.， Chiang， H. S.， Eroh， J.， Nguyen， L. T.， Maguire， M. J.， Spence， J. S.， ... Hart， J. （2016）. The effects of amnestic mild cognitive impairment on go/nogo semantic categorization task performance and event-related potentials. Journal of Alzheimers Disease， 50（2）， 577?590.

Musaeus， C. S.， Engedal， K.， H?gh， P.， Jelic， V.， M?rup， M.， Naik， M.， ... Andersen， B. B. （2018）. EEG theta power is an early marker of cognitive decline in dementia due to Alzheimer's disease. Journal of Alzheimers Disease， 64（4）， 1359?1371.

Nguyen， L. T.， Shende， S. A.， Rackley， A.， Chapman， S. B.， & Mudar， R. A. （2018）. Strategy-based cognitive training effects on event-related neural oscillations in amnestic mild cognitive impairment. Alzheimer's & Dementia， 14（7）， 1067.

Panza， F.， Frisardi， V.， Capurso， C.， D'Introno， A.， Colacicco， A. M.， Imbimbo， B. P.， ... Solfrizzi， V. （2010）. Late-life depression， mild cognitive impairment， and dementia： Possible continuum？ American Journal of Geriatric Psychiatry， 18（2）， 98?116.

Petersen， R. C.， Lopez， O.， Armstrong， M. J.， Getchius， T. S. D.， Ganguli， M.， Gloss， D.， ... Rae-Grant， A. （2018）. Practice guideline update summary： Mild cognitive impairment： Report of the Guideline Development， Dissemination， and Implementation Subcommittee of the American Academy of Neurology. Neurology， 90（3）， 126?135.

Petersen， R. C.， Smith， G. E.， Waring， S. C.， Ivnik， R. J.， Tangalos， E. G.， & Kokmen， E. （1999）. Mild cognitive impairment： Clinical characterization and outcome. Archives of Neurology， 56（3）， 303?308.

Rabi， R.， Vasquez， B. P.， Alain， C.， Hasher， L.， Belleville， S.， & Anderson， N. D. （2020）. Inhibitory control deficits in individuals with amnestic mild cognitive impairment： A meta-analysis. Neuropsychology Reveiw， 30（1）， 97?125.

Schmeichel， B. J. （2007）. Attention control， memory updating， and emotion regulation temporarily reduce the capacity for executive control. Journal of Experimental Psychology- Genaral， 136（2）， 241?255.

Sherman， D. S.， Mauser， J.， Nuno， M.， & Sherzai， D. （2017）. The efficacy of cognitive intervention in mild cognitive impairment （MCI）： A meta-analysis of outcomes on neuropsychological measures. Neuropsychology Review， 27（4）， 440?484.

Stahl， D.， Pickles， A.， Elsabbagh， M.， & Johnson， M. H. （2012）. Novel machine learning methods for ERP analysis： A validation from research on infants at risk for autism. Develomental Neuropsychology， 37（3）， 274?298.

Taylor， R. L.， Cooper， S. R.， Jackson， J. J.， & Barch， D. M. （2020）. Assessment of neighborhood poverty， cognitive function， and prefrontal and hippocampal volumes in children. JAMA Network Open， 3（11）， e2023774.

Tsai， C. L.， Pai， M. C.， Ukropec， J.， & Ukropcová， B. （2016）. The role of physical fitness in the neurocognitive performance of task switching in older persons with mild cognitive impairment. Journal of Alzheimers Disease， 53（1）， 143?159.

Tusch， E. S.， Alperin， B. R.， Ryan， E.， Holcomb， P. J.， Mohammed， A. H.， & Daffner， K. R. （2016）. Changes in neural activity underlying working memory after computerized cognitive training in older adults. Frontiers in Aging Neuroscience， 8， 255.

Ulbl， J.， & Rakusa， M. （2023）. The importance of subjective cognitive decline recognition and the potential of molecular and neurophysiological biomarkers-A systematic review. International Journal of Molecular Sciences， 24（12）， 10158.

Wang， P.， Li， R.， Liu， B.， Wang， C.， Huang， Z.， Dai， R.， ... Li， J. （2019）. Altered static and temporal dynamic amplitude of low-frequency fluctuations in the background network during working memory states in mild cognitive impairment. Frontiers in Aging Neuroscience， 11， 152.

Wen， D.， Cheng， Z.， Li， J.， Zheng， X.， Yao， W.， Dong， X.， ... Zhou， Y. （2021）. Classification of ERP signal from amnestic mild cognitive impairment with type 2 diabetes mellitus using single-scale multi-input convolution neural network. Journal of Neuroscience Methods， 363， 109353.

Youn， Y. C.， Kang， S. W.， Lee， H.， & Park， U. （2020）. Machine-learning based EEG biomarker for early screening of amnestic mild cognitive impairment （aMCI）. Alzheimer's Dementia， 16（S4）， e044381.

Yuan， B.， Chen， J.， Gong， L.， Shu， H.， Liao， W.， Wang， Z.， ... Zhang， Z. （2016）. Mediation of episodic memory performance by the executive function network in patients with amnestic mild cognitive impairment： A resting-state functional MRI study. Oncotarget， 7（40）， 64711?64725.

Zhong， X.， Chen， B.， Hou， L.， Wang， Q.， Liu， M.， Yang， M.， ... Ning， Y. （2022）. Shared and specific dynamics of brain activity and connectivity in amnestic and nonamnestic mild cognitive impairment. CNS Neuroscience & Therapeutics， 28（12）， 2053?2065.

Neural mechanisms and digital promotion of executive function

in older adults with amnestic mild cognitive impairment

LIU Hai-ning1， DONG Xian-ling2， LIU Hai-hon1， LIU Yan-li2， LI Xian-wen3

（1 Department of Psychology， Chengde Medical University， Chengde 067000， China）

（2 Department of Biomedical Engineering， Chengde Medical University， Chengde 067000， China）

（3 School of Nursing， Nanjing Medical University， Nanjing 211166， China）

Abstract： Alzheimer's disease （AD） is very common and is associated with a high mortality rate. Therefore， exploring the mechanisms of the onset and development of amnestic mild cognitive impairment （aMCI）， a clinical prodromal stage of AD， can help prevent the disease. Previous studies have suggested a close relationship between memory decline in aMCI and multiple executive domain defects; however， key scientific questions， such as which executive domain is the key pathogenic factor， remain unanswered， and key intervention targets remain unknown. To overcome the limitations of previous studies that considered executive function as a whole or fragmented element， this study will focus on the overall structure of executive function based on the hypothesis that executive function in aMCI is associated with memory impairment. This study will use electroencephalography （EEG） technology to investigate the time domain， time-frequency， and dynamic brain network characteristics of three sub-components of executive function （inhibition， updating， and switching） in patients with aMCI. Using a three-dimensional convolutional neural network， specific neural targets of executive function defects will be identified， and the possibility of adding neural markers related to the inhibition domain for early identification of aMCI will be explored. In addition， the effects of training and the neural basis of different targeted digital interventions in patients with aMCI will be analyzed using a longitudinal design， thus revealing the crucial role of the inhibition domain-related frontal-parietal control network in the interventions. This study aims to elucidate inhibition as a new cognitive target for aMCI executive function defects and explore interventions from the perspective of computational cognitive neurology. It also aims to provide evidence-based support for the early identification， precise diagnosis， and development of treatment plans for aMCI.

Keywords： executive function， amnestic mild cognitive impairment， cognitive neural mechanism， digital intervention， deep learning