利用EEG数据增强痴呆症检测的脑叶生物标志物研究

人工智能 神经病学 信息科学 医学影像 医学
脑电图 痴呆症 阿尔茨海默病 前颞叶痴呆 短时傅里叶变换 卷积神经网络

背景介绍

痴呆症是一种全球性的健康问题，严重影响患者的生活质量，并给医疗系统带来巨大负担。阿尔茨海默病（Alzheimer’s Disease, AD）和额颞叶痴呆（Frontotemporal Dementia, FTD）是痴呆症的两种常见类型，它们的症状有重叠，导致准确诊断和针对性治疗开发尤为困难。早期检测和准确诊断对于有效管理痴呆症至关重要。传统的诊断方法，如临床评估和神经影像技术（MRI、PET扫描），虽然有效，但成本高、耗时长且不易普及。因此，研究人员开始探索非侵入性、成本效益高的替代方法，如脑电图（Electroencephalography, EEG）。

EEG通过头皮上的电极捕捉大脑的电活动，具有高时间分辨率、成本低且易于使用的特点。痴呆症患者的大脑功能变化可以通过EEG信号反映出来，尤其是在负责认知、记忆和感觉处理的不同脑叶中。然而，现有的基于EEG的方法往往无法精确定位特定的生物标志物，尤其是脑叶的变化。因此，研究脑叶在痴呆症检测中的作用对于提高诊断准确性具有重要意义。

研究来源

本论文由Siuly Siuly、Md. Nurul Ahad Tawhid、Yan Li、Rajendra Acharya、Muhammad Tariq Sadiq和Hua Wang共同撰写。作者分别来自Victoria University、University of Southern Queensland、University of Dhaka和University of Essex等机构。该研究于2025年发表在Cognitive Computation期刊上，题为“Investigating Brain Lobe Biomarkers to Enhance Dementia Detection Using EEG Data”。

研究流程

1. 数据预处理

研究使用了公开的EEG数据集OpenNeuro ds004504，该数据集包含88名参与者的EEG记录，分为AD组（36人）、FTD组（23人）和健康对照组（HC，29人）。EEG信号首先通过Butterworth带通滤波器（0.5-45 Hz）进行噪声去除，然后使用自动伪迹去除（ASR）和独立成分分析（ICA）进一步去除眼动和下颌伪迹。信号随后被重采样至256 Hz，并分割为3秒的时间段，以提高计算效率并保留关键信息。

2. 脑叶分组

EEG通道根据其对应的脑叶进行分组，包括额叶（Frontal）、中央叶（Central）、颞叶（Temporal）、顶叶（Parietal）和枕叶（Occipital）。每个脑叶的EEG信号被单独分析，以便研究不同脑叶在痴呆症检测中的作用。

3. 频谱图生成

使用短时傅里叶变换（Short-Time Fourier Transform, STFT）将EEG信号转换为频谱图（Spectrogram）。频谱图提供了脑活动的时间-频率表示，能够捕捉到与认知衰退相关的脑电波模式变化。

4. 卷积神经网络（CNN）分类

生成的频谱图被输入到一个深度学习模型中，该模型基于卷积神经网络（CNN）架构，包含四个卷积层、三个Dropout层、一个全连接层和一个分类层。CNN模型能够自动从频谱图中提取和学习特征，从而实现对痴呆症的分类。

5. 模型评估

研究使用十折交叉验证（10-fold Cross-Validation）评估模型的性能，计算了灵敏度（Sensitivity）、特异性（Specificity）、精确度（Precision）、准确度（Accuracy）、F1分数（F1 Score）和假阳性率（False Positive Rate）等指标。此外，还使用Grad-CAM方法增强结果的可解释性，提供有意义的视觉化洞察。

主要结果

1. 脑叶分析

研究发现，顶叶在AD和FTD检测中表现出最显著的变化。在AD vs. HC分类任务中，顶叶的准确度达到92.25%，而在FTD vs. HC分类任务中，顶叶的准确度高达95.72%。颞叶和额叶也表现出较高的分类性能，而中央叶的分类效果较差。

2. 全脑区域分析

使用全脑区域的EEG信号进行分类时，AD vs. HC的准确度为95.59%，FTD vs. HC的准确度为93.14%。这表明，虽然顶叶在痴呆症检测中具有重要作用，但结合全脑区域的EEG信号可以进一步提高分类性能。

3. Grad-CAM可视化

Grad-CAM方法揭示了频谱图中对分类决策最具影响力的区域。顶叶和全脑区域的频谱图显示出显著的热图区域，表明这些区域在痴呆症检测中提供了关键信息。相比之下，中央叶的频谱图热图区域较少，与其较低的分类性能一致。

结论与意义

本研究开发了一种结合STFT和CNN的新框架，用于识别痴呆症的关键脑叶生物标志物。研究结果表明，顶叶在AD和FTD检测中具有重要作用，结合全脑区域的EEG信号可以进一步提高诊断准确性。该研究为痴呆症的早期检测提供了非侵入性、成本效益高的工具，具有重要的临床应用价值。

研究亮点

  1. 创新框架：首次将STFT与CNN结合，用于痴呆症的EEG信号分析。
  2. 脑叶特异性分析：首次系统研究了不同脑叶在痴呆症检测中的作用，发现顶叶是最关键的生物标志物。
  3. 高性能分类：在AD和FTD分类任务中，分别达到了95.59%和95.72%的准确度，显著优于现有方法。
  4. 可解释性增强：通过Grad-CAM方法，提供了对模型决策的视觉化解释，增强了结果的可信度。

其他有价值的信息

研究还对比了现有方法在OpenNeuro ds004504数据集上的表现，进一步验证了所提出框架的优越性。未来的研究可以继续探索EEG在痴呆症检测和监测中的应用，推动该技术在临床实践中的普及。

通过本研究，我们不仅加深了对痴呆症病理机制的理解，还为开发更有效的诊断工具提供了新的思路。希望这一成果能够为全球痴呆症患者带来更早、更准确的诊断，从而改善他们的生活质量。