脑机启侦 | 基于注意力的深度学习方法（01.23）

01研究背景及意义RESEARCH BACKGROUND&SIGNIFICANCE

阿尔茨海默病（AD）是全球最常见的痴呆症类型，占所有病例的80%。目前，AD的诊断通常在症状明显、神经退行已较为严重时才得以确认，这极大限制了疾病干预疗法的开发与应用。因此，早期识别AD的前驱阶段——特别是主观认知衰退（SCD）和轻度认知障碍（MCI）——对疾病的早期干预和临床研究至关重要。

SCD是指个体自觉认知能力下降，但神经心理学测试表现正常；MCI则是介于正常衰老与痴呆之间的过渡阶段。两者均是AD连续体中的早期表现，但区分二者在临床上具有挑战性，因为脑结构和功能变化较为细微。目前，常用的神经影像技术（如PET、MRI）虽能提供高分辨率信息，但成本高、操作复杂，不适合大规模筛查。相比之下，静息态脑电图（rsEEG）具有无创、低成本、易获取的优点，能反映大脑皮层功能变化，被视为潜在的早期生物标志物。

本研究首次提出一种基于注意力机制的深度学习模型，用于从rsEEG信号中自动识别SCD与MCI，旨在为AD早期诊断提供一种高效、可解释的计算工具。

02研究方法RESEARCH METHOD

研究共纳入118名参与者，包括17名健康对照组（HC）、56名SCD患者和45名MCI患者。所有rsEEG信号通过64通道系统采集，采样率为512 Hz。数据预处理包括：使用PREP流程去除噪声、应用50 Hz陷波滤波、独立成分分析去除伪影，并选择19个标准导联进行分析。

为探究不同频段对分类的贡献，研究者从预处理后的信号中提取了四个主要频段：delta（δ, 0.1–4 Hz）、theta（θ, 4–8 Hz）、alpha（α, 8–13 Hz）和beta（β, 13–30 Hz），并构建了全频段（0.1–30 Hz）数据集。信号被分割为10秒时长的事件段，用于模型训练。

研究核心是一个基于Transformer架构的深度学习模型，该模型利用多头自注意力机制捕捉rsEEG信号中的时间依赖关系。模型结构轻量化，仅含约5.2千个参数，远低于传统CNN模型。训练采用留一受试者交叉验证（LOSOCV），最终通过多数投票机制对每位受试者进行分类。

图1 EEG时段分类流程

为验证模型性能，研究者将其与三种CNN模型（DeepConvNet、EEGNet、EEG-TCNet）进行对比，并分别在SCD vs MCI二分类和HC vs SCD vs MCI三分类任务中评估准确率、敏感性、特异性、F1分数和AUC值。

03结论及展望CONCLUSIONS&PROSPECTS

研究结果显示，在SCD与MCI的二分类任务中，delta和theta频段表现最佳，患者级分类准确率分别达到76.2%与67.3%，AUC值均超过0.8。在三分类任务中，alpha和theta频段表现较好，但整体准确率仍较低（约54.2%）。与CNN模型相比，Transformer在参数更少的情况下取得了可比甚至更优的分类性能，展现了其在时间序列数据分析中的潜力。

本研究的创新之处在于首次将注意力机制应用于rsEEG信号，实现对AD早期阶段的自动分类，为低成本、无创的AD筛查提供了新思路。未来工作可从以下几个方面展开：引入空间注意力模块以融合通道信息、利用注意力权重增强模型可解释性、优化信号预处理流程，以及在更大规模、多中心数据集上验证模型泛化能力。随着EEG技术与深度学习方法的进一步融合，rsEEG有望成为AD早期预警与病程监测的重要工具。

参考文献：

Sibilano, E., Brunetti, A., Buongiorno, D., Lassi, M., Grippo, A., Bessi, V., Micera, S., Mazzoni, A., & Bevilacqua, V. (2023). An attention-based deep learning approach for the classification of subjective cognitive decline and mild cognitive impairment using resting-state EEG. Journal of neural engineering, 20(1), 10.1088/1741-2552/acb96e.

https://doi.org/10.1088/1741-2552/acb96e

来源 | 脑机接口社区