腦機(jī)啟偵 | 基于注意力的深度學(xué)習(xí)方法（01.23）

01研究背景及意義RESEARCH BACKGROUND&SIGNIFICANCE

阿爾茨海默病（AD）是全球最常見(jiàn)的癡呆癥類型，占所有病例的80%。目前，AD的診斷通常在癥狀明顯、神經(jīng)退行已較為嚴(yán)重時(shí)才得以確認(rèn)，這極大限制了疾病干預(yù)療法的開(kāi)發(fā)與應(yīng)用。因此，早期識(shí)別AD的前驅(qū)階段——特別是主觀認(rèn)知衰退（SCD）和輕度認(rèn)知障礙（MCI）——對(duì)疾病的早期干預(yù)和臨床研究至關(guān)重要。

SCD是指?jìng)€(gè)體自覺(jué)認(rèn)知能力下降，但神經(jīng)心理學(xué)測(cè)試表現(xiàn)正常；MCI則是介于正常衰老與癡呆之間的過(guò)渡階段。兩者均是AD連續(xù)體中的早期表現(xiàn)，但區(qū)分二者在臨床上具有挑戰(zhàn)性，因?yàn)槟X結(jié)構(gòu)和功能變化較為細(xì)微。目前，常用的神經(jīng)影像技術(shù)（如PET、MRI）雖能提供高分辨率信息，但成本高、操作復(fù)雜，不適合大規(guī)模篩查。相比之下，靜息態(tài)腦電圖（rsEEG）具有無(wú)創(chuàng)、低成本、易獲取的優(yōu)點(diǎn)，能反映大腦皮層功能變化，被視為潛在的早期生物標(biāo)志物。

本研究首次提出一種基于注意力機(jī)制的深度學(xué)習(xí)模型，用于從rsEEG信號(hào)中自動(dòng)識(shí)別SCD與MCI，旨在為AD早期診斷提供一種高效、可解釋的計(jì)算工具。

02研究方法RESEARCH METHOD

研究共納入118名參與者，包括17名健康對(duì)照組（HC）、56名SCD患者和45名MCI患者。所有rsEEG信號(hào)通過(guò)64通道系統(tǒng)采集，采樣率為512 Hz。數(shù)據(jù)預(yù)處理包括：使用PREP流程去除噪聲、應(yīng)用50 Hz陷波濾波、獨(dú)立成分分析去除偽影，并選擇19個(gè)標(biāo)準(zhǔn)導(dǎo)聯(lián)進(jìn)行分析。

為探究不同頻段對(duì)分類的貢獻(xiàn)，研究者從預(yù)處理后的信號(hào)中提取了四個(gè)主要頻段：delta（δ, 0.1–4 Hz）、theta（θ, 4–8 Hz）、alpha（α, 8–13 Hz）和beta（β, 13–30 Hz），并構(gòu)建了全頻段（0.1–30 Hz）數(shù)據(jù)集。信號(hào)被分割為10秒時(shí)長(zhǎng)的事件段，用于模型訓(xùn)練。

研究核心是一個(gè)基于Transformer架構(gòu)的深度學(xué)習(xí)模型，該模型利用多頭自注意力機(jī)制捕捉rsEEG信號(hào)中的時(shí)間依賴關(guān)系。模型結(jié)構(gòu)輕量化，僅含約5.2千個(gè)參數(shù)，遠(yuǎn)低于傳統(tǒng)CNN模型。訓(xùn)練采用留一受試者交叉驗(yàn)證（LOSOCV），最終通過(guò)多數(shù)投票機(jī)制對(duì)每位受試者進(jìn)行分類。

圖1 EEG時(shí)段分類流程

為驗(yàn)證模型性能，研究者將其與三種CNN模型（DeepConvNet、EEGNet、EEG-TCNet）進(jìn)行對(duì)比，并分別在SCD vs MCI二分類和HC vs SCD vs MCI三分類任務(wù)中評(píng)估準(zhǔn)確率、敏感性、特異性、F1分?jǐn)?shù)和AUC值。

03結(jié)論及展望CONCLUSIONS&PROSPECTS

研究結(jié)果顯示，在SCD與MCI的二分類任務(wù)中，delta和theta頻段表現(xiàn)最佳，患者級(jí)分類準(zhǔn)確率分別達(dá)到76.2%與67.3%，AUC值均超過(guò)0.8。在三分類任務(wù)中，alpha和theta頻段表現(xiàn)較好，但整體準(zhǔn)確率仍較低（約54.2%）。與CNN模型相比，Transformer在參數(shù)更少的情況下取得了可比甚至更優(yōu)的分類性能，展現(xiàn)了其在時(shí)間序列數(shù)據(jù)分析中的潛力。

本研究的創(chuàng)新之處在于首次將注意力機(jī)制應(yīng)用于rsEEG信號(hào)，實(shí)現(xiàn)對(duì)AD早期階段的自動(dòng)分類，為低成本、無(wú)創(chuàng)的AD篩查提供了新思路。未來(lái)工作可從以下幾個(gè)方面展開(kāi)：引入空間注意力模塊以融合通道信息、利用注意力權(quán)重增強(qiáng)模型可解釋性、優(yōu)化信號(hào)預(yù)處理流程，以及在更大規(guī)模、多中心數(shù)據(jù)集上驗(yàn)證模型泛化能力。隨著EEG技術(shù)與深度學(xué)習(xí)方法的進(jìn)一步融合，rsEEG有望成為AD早期預(yù)警與病程監(jiān)測(cè)的重要工具。

參考文獻(xiàn)：

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

來(lái)源 | 腦機(jī)接口社區(qū)