编辑推荐：
阿尔茨海默病（AD）危害巨大，现有诊断方法存在局限。研究人员开展利用事件相关电位（ERP）信号非线性特征诊断 AD 的研究。结果显示，所提混合注意力 CNN-LSTM 模型诊断准确率高，能有效区分健康与患病个体。该研究为 AD 诊断提供新途径。
在当今社会，阿尔茨海默病（Alzheimer's disease，AD）如同一个 “记忆窃贼”，悄无声息地偷走无数患者的美好记忆，给全球健康带来了沉重负担。据统计，全球超 5500 万人受其困扰，预计到 2050 年，这一数字将增至三倍。目前，AD 的诊断面临诸多难题。传统的正电子发射断层扫描（PET）成像和侵入性脑脊液分析，不仅价格昂贵、操作复杂，而且无法在疾病早期进行精准检测。这就如同在黑暗中摸索，难以在 AD 的萌芽阶段就发现它，从而错过最佳干预时机。
为了攻克这一难题，来自未知研究机构的研究人员开展了一项极具意义的研究。他们聚焦于从脑电图（Electroencephalogram，EEG）数据中获取的事件相关电位（Event-Related Potential，ERP）信号，试图从中找到诊断 AD 的 “金钥匙”。研究成果发表在《Computer Methods and Programs in Biomedicine Update》上，为 AD 的诊断开辟了新方向。
研究人员主要运用了以下关键技术方法：首先，从 40 名 60 - 88 岁的右利手参与者获取脑电信号，这些参与者依据简易精神状态检查表（Mini-Mental State Examination，MMSE）评分被分为健康、轻度认知障碍、重度 AD 三组，并进一步按识字情况分层。然后，使用 g.tech EEG 记录系统以 500Hz 的采样率采集数据 。数据采集后，利用 EEGlab 工具 box 对 EEG 数据集进行预处理，去除噪声和伪迹。接着，通过相空间重构、计算 Lyapunov 指数、相关维数和熵等方法提取非线性特征，并将这些特征与卷积神经网络（Convolutional Neural Network，CNN）和长短期记忆网络（Long Short-Term Memory，LSTM）相结合，构建了基于混合注意力的 CNN - LSTM 模型进行分类诊断。
下面来看具体的研究结果：
- ERP 信号特征比较：研究发现，P300 是 ERP 信号中与大脑认知活动密切相关的重要成分。在 AD 诊断中，P300 成分的幅值和潜伏期至关重要，但这些指标对 Oddball 范式的参数极为敏感。研究人员通过同步平均法处理 ERP 信号，利用 Fz、Cz、Pz电极的单极记录和双极通道监测眼电（Electrooculographie，EOG）来全面捕捉大脑活动并减少伪迹影响。
- 脑图能量变化：计算健康组和重度 AD 患者在刺激前后 ERP 信号的能量并绘制能量图。结果显示，健康人在刺激后额叶、顶叶和枕叶脑区能量显著增加，而重度 AD 患者在刺激后枕叶脑区能量变化微弱，这一差异进一步证实了研究枕叶能量变化对 AD 诊断的重要性。
- 模型评估指标：通过对比不同模型，发现带有注意力机制的 CNN - LSTM 模型表现最佳，准确率达到 97%，敏感性、特异性和精度均为 100%。该模型在召回模式下，对健康个体、轻度 AD 患者和重度 AD 患者的诊断准确率分别为 95%、92.5% 和 97.5%，展示出强大的分类能力。同时，相关维数分析表明，随着 AD 病情加重，相关维数逐渐降低，尤其是在 Pz通道，这表明非线性动态特征可作为疾病进展的生物标志物。
研究结论和讨论部分指出，该研究开发的混合 CNN - LSTM - Attention 模型，融合了混沌神经特征、深度学习时空模式和注意力机制，能有效检测 AD，为早期干预提供可能。通过分析 AD 进展过程中 Pz通道相关维数的变化，发现信号复杂性随病情降低。然而，研究也存在一些局限性，如样本量较小、可能需要整合更多模态数据（如功能磁共振成像 fMRI 或 PET 成像）以提高诊断准确性等 。尽管如此，该研究仍具有重要意义，它将科学研究与临床需求紧密相连，借助经济实惠的 EEG 技术和深度学习方法，为 AD 诊断提供了切实可行的解决方案。未来研究可从扩大样本量、优化模型以适用于床边检测、整合更多神经影像学结果和生物标志物等方面展开，有望进一步提高 AD 诊断的准确性和可靠性，为攻克阿尔茨海默病这一难题带来更多希望。
