基于Goldner-Harary图量子启发的EEG信号特征提取模型在阿尔茨海默病自动检测中的应用

为解决阿尔茨海默病(AD)早期诊断的临床挑战，研究人员开发了一种基于Goldner-Harary图(GHPat)的量子启发式EEG信号特征提取模型。通过多级离散小波变换(MDWT)和迭代邻域成分分析(INCA)等技术创新，该模型在247例受试者的EEG数据中实现了88.17%的LOSO CV准确率，显著优于现有方法，为AD筛查提供了高效、可解释的解决方案。

　　

阿尔茨海默病(AD)作为最常见的神经退行性疾病之一，全球患者数量预计未来50年将增长三倍。尽管早期干预可延缓病情进展，但现有诊断方法依赖主观神经心理学评估和昂贵的影像学检查，而脑电图(EEG)虽能捕捉AD相关的脑电活动异常（如α波减弱和θ波增强），却面临专家解读耗时、结果变异大等瓶颈。更棘手的是，当前基于EEG的机器学习模型普遍存在数据集规模小、深度学习计算复杂度高、随机验证方法可靠性不足等问题。

针对这些挑战，来自国内的研究团队在《Cognitive Neurodynamics》发表了一项突破性研究。该团队创新性地将量子力学叠加态概念引入特征工程，开发出基于Goldner-Harary图(GHPat)的量子启发式特征提取模型。通过分析247例受试者（134例AD和113例非AD）的20通道EEG数据，研究首次证实顶叶区域（尤其是P4通道）对AD检测最具判别力，模型在留一受试者交叉验证(LOSO CV)中达到88.17%的准确率，较传统方法提升显著。

研究团队采用了四项关键技术：1）多级离散小波变换(MDWT)分解EEG信号生成多尺度特征；2）设计7种GH图子模式模拟量子叠加态，通过前向距离适应函数动态选择最优子图；3）迭代邻域成分分析(INCA)筛选2160维特征；4）结合k近邻(kNN)分类器与迭代多数投票(IMV)实现自优化决策。

研究结果部分揭示了多项重要发现：

1. 量子启发的GHPat特征提取：通过7种定向子图（含6-9个节点和8条边）生成256维纹理特征，结合14种统计特征形成混合特征向量。
2. 顶叶区域的关键作用：通道分析显示P4（顶叶右区）以78.15%准确率成为最优单通道，顶叶区域平均准确率达77.83%，显著高于中央区(70.03%)。
3. 模型性能验证：十折交叉验证准确率高达99.85%，显著优于传统LBP方法(88.73%)和纯统计特征(63.22%)。
4. 病理学相关性：皮层映射显示AD对顶叶、枕叶的EEG改变更显著，与代谢影像学研究发现的病理扩散模式一致。

讨论部分强调了该研究的双重突破：方法学上首次将量子叠加概念应用于EEG特征提取，通过GHPat的"量子态"选择机制实现高效计算（仅需3.6 GHz CPU）；临床上构建了目前最大的AD EEG数据集之一，其LOSO CV策略更贴近真实诊断场景。特别值得注意的是，模型生成的皮层激活图谱为AD的神经机制提供了新见解——顶叶区域EEG改变的诊断价值可能被既往研究低估。

这项研究为AD早期筛查提供了兼具创新性和实用性的解决方案：GHPat模型仅需15秒EEG片段即可完成检测，且无需GPU加速，适合基层医疗机构部署。未来研究可进一步探索该框架在其他神经退行性疾病（如帕金森病）中的应用，并通过多中心验证提升模型的泛化能力。