《Frontiers in Neuroinformatics》：Computational approaches to deep learning–driven EEG analysis for neurological disease diagnosis: a systematic review
编辑推荐：
脑电图（EEG）是一种广泛使用的非侵入性神经生理学技术，用于分析大脑动态和诊断神经系统疾病。然而，EEG信号的非平稳性、低信噪比以及受试者间差异性对传统分析方法构成了重大挑战。近年来，深度学习已成为EEG分析中一种强大的计算工具，能够实现自动化特征学习，并在最
脑电图（EEG）是一种广泛使用的非侵入性神经生理学技术，用于分析大脑动态和诊断神经系统疾病。然而，EEG信号的非平稳性、低信噪比以及受试者间差异性对传统分析方法构成了重大挑战。近年来，深度学习已成为EEG分析中一种强大的计算工具，能够实现自动化特征学习，并在最小化人工特征提取的情况下提高诊断准确性。本综述系统性地阐述了深度学习驱动的EEG分析在神经系统疾病诊断中的计算方法。内容包括深度学习架构的最新进展，如卷积神经网络（CNN）、循环神经网络（RNN）、混合架构、生成对抗网络（GAN）、大语言模型（LLM）、自编码器以及基于Transformer的模型，重点关注它们对EEG信号中空间、时间及时空动态的建模能力。这些方法适用于诊断癫痫、阿尔茨海默病（AD）、脑病、帕金森病（PD）、轻度认知障碍（MCI）、睡眠障碍及发育性脑疾病等主要神经系统疾病。此外，研究人员讨论了关键的预处理策略和去噪技术，展示了去除生物伪迹如何防止诊断模型将噪声与实际的疾病体征混淆。综述识别并批判性讨论了诸如数据可用性有限、模型可解释性缺乏、受试者间差异性以及临床转化困难等关键挑战。最后，研究人员指出了关键的新兴趋势和未来研究方向，以支持基于EEG的疾病诊断系统在临床应用中发展。
主体内容总结
1 引言
脑电图（EEG）是一种通过头皮电极记录大脑电位的非侵入性神经生理学技术，能够以高时间精度实现神经元动态的实时监测。EEG信号包含不同的振荡节律，可归类为典型的频率波段：delta（0.5–4 Hz）、theta（4–8 Hz）、alpha（8–13 Hz）、beta（13–30 Hz）和gamma（>30 Hz）。这些频段不仅是生理标志物，还作为机器学习流程中关键的时空特征。然而，由于头皮EEG在微伏范围内工作，其非平稳性使其极易受到生理伪迹（包括眼电（EOG）、肌电（EMG）和心电（ECG））及非生理性线路噪声的污染。传统线性滤波器往往失效，因为噪声去除可能无意中抑制具有病理特征的神经信号。现代神经信息学流程采用混合信号处理策略，如自动独立成分分析（ICA）与小波变换结合，以隔离高振幅眼动伪迹而不移除潜在的额叶delta节律。
神经系统疾病构成日益严重的全球健康危机，目前影响全球近十亿人。其中，癫痫占5000万例，而痴呆和阿尔茨海默病等神经退行性疾病影响超过2400万人。传统上依赖临床医生人工判读脑电波的方式缓慢、主观且因人而异。机器学习（ML）和深度学习（DL）流程通过直接在数据中发现关键脑模式，提供了一种可靠的自动化途径。然而，受试者间脑波差异、大型标注医学数据集稀缺、深度学习"黑箱"特性缺乏临床信任，以及严格的临床测试和监管审批要求，均构成临床转化的主要障碍。本综述旨在系统评估从传统分析框架到现代机器学习（ML）和深度学习（DL）架构的范式转变，涵盖从预处理、伪迹抑制到特征提取、选择和降维的完整处理流程。值得注意的是，深度学习（DL）架构并非普遍取代传统机器学习（ML）框架。传统流程在小样本队列中通常能达到85–91%的准确率，且计算开销显著更低、可解释性更优；而端到端DL模型（尤其是卷积神经网络（CNN））在高密度多通道数据仓库上可达到92–96%以上的准确率，但参数复杂度更高、透明度降低。
文献检索在PubMed、IEEE Xplore和Google Scholar中执行，检索时间截至2025年12月。初步检索共获得1277条原始引用，经去重后965条记录进行标题和摘要筛选，排除720条后245篇全文评估，最终保留17篇里程碑式深度学习论文用于系统比较综合。
2 高级EEG信号处理
EEG信号处理构成一个多维流程，旨在将原始带噪头皮记录转化为高保真的神经活动表征。EEG信号本质上是低振幅、非线性且高度非平稳的，现代流程必须严格整合信号采集、伪迹抑制、特征工程和降维。
2.1 EEG预处理与生物伪迹去除
分析流程始于信号采集，通常采用国际10–20或10–10系统的头皮电极配置。预处理旨在将原始EEG数据转化为更干净、更稳定的表征，通常包括带通滤波去除慢漂移和高频噪声，以及必要的重参考和重采样。伪迹去除是预处理的主要方面，常用回归、独立成分分析（ICA）、小波阈值和自适应滤波等技术来隔离和抑制非平稳生物伪迹。眼电（EOG）伪迹由眨眼和眼动触发，产生高达100 μV的高振幅电压偏移，表现为集中于额叶和前额电极通道的低频现象（<4 Hz）；肌电（EMG）伪迹由颅肌活动引起，表现为高频噪声（>20 Hz），广泛影响颞叶和枕叶电极。独立成分分析（ICA）将多通道头皮数据分解为统计独立的非高斯成分，从而隔离和去除眼电（EOG）、肌电（EMG）和心电干扰。主成分分析（PCA）作为高效的降维和噪声抑制数学框架，常与ICA结合使用以降低计算负担并提高算法稳定性。
2.2 公共数据仓库与临床基准框架
模型必须使用开放获取的临床数据集进行基准测试，以建立跨站点诊断稳健性并避免过拟合。综述列出了多个广泛引用的公开EEG数据仓库，包括：Kaggle/UCI阿尔茨海默EEG数据集（88名受试者，500 Hz采样率，19通道）、Helsinki新生儿癫痫数据集（79名足月新生儿，256 Hz）、CHB-MIT头皮EEG数据集（22名儿科受试者，23通道）、Bangalore EEG癫痫数据集（BEED）（80名成人受试者）、University of Bonn EEG数据集（10名受试者，单通道）、Siena头皮EEG数据库（14名耐药局灶性癫痫受试者）、PD-EEG帕金森病数据集（116名患者、28名健康对照，64通道）、Mendeley IDD EEG数据集（14名参与者）、Sleep-EDF数据库扩展版（197份整夜记录）以及Temple University Hospital（TUH）EEG（12000+患者）。每个数据集均有其特定局限性和推荐的验证策略，如留一受试者交叉验证（LOSO）以防止身份或生物特征数据泄漏。
2.3 EEG特征提取方法
EEG特征提取将原始带噪脑信号转化为有意义的表征。时域特征直接表征振幅变化和波形形态，包括统计矩、峰峰值、均方根（RMS）和Hjorth参数，但对瞬态眼动或肌动伪迹高度敏感。频域特征量化典型EEG频段的功率分布，包括快速傅里叶变换（FFT）、Welch周期图、自回归建模以及谱熵、谱平坦度和对数线性谱斜率等高级谱描述符。时频和非线性特征方法（如小波变换、Stockwell变换、希尔伯特-黄变换、经验模态分解（EMD）和变分模态分解（VMD））提供同时的时间和谱分辨率。非线性特征提取利用熵度量（样本熵、近似熵、排列熵、模糊熵和多尺度熵）、分形和尺度特征（Higuchi和Katz分形维数、Hurst指数、去趋势波动分析）、混沌理论度量（最大Lyapunov指数、相关维数）以及复杂度指标（Lempel Ziv、Rényi和Kolmogorov复杂度近似）来捕捉EEG信号的复杂动力学特征。空间和连接性特征利用相干性、相位锁定值、Granger因果性、转移熵和加权相位滞后指数等功能性和定向连接度量，结合图论指标来映射和量化不同脑区之间的复杂交互。
2.4 子空间优化与降维
特征选择和降维是EEG分析流程中的关键瓶颈。特征选择策略包括互信息、最大相关最小冗余（mRMR）、递归特征消除（RFE）和最小绝对收缩与选择算子（LASSO）正则化，以及图基特征排序、多目标进化搜索算法和Transformer导出的注意力映射等现代策略。降维方法包括经典线性方法主成分分析（PCA）和独立成分分析（ICA），以及非线性替代方法t分布随机邻域嵌入（t-SNE）、Isomap和统一流形逼近与投影（UMAP），并辅以变分自编码器（VAE）、对比自监督编码器和基于Transformer的潜在压缩器等深度学习架构。
2.5 分类、回归与后处理流程
优化后的低维EEG特征表征作为监督下游学习任务的直接输入。分类任务采用支持向量机（SVM）、线性判别分析（LDA）、k近邻（k-NN）和随机森林或梯度提升集成等可解释经典架构，以及卷积神经网络（CNN）、循环网络（LSTM/GRU）、混合CNN-RNN架构和自注意力Transformer等深度学习框架。回归任务采用正则化线性模型和神经回归器，评估指标包括R2、平均绝对误差（MAE）、均方根误差（RMSE）以及F1分数、Cohen's kappa和AUC。后处理阶段采用时间平滑窗口、多数投票或统计显著性检验来稳定模型预测，并利用注意力权重、SHapley Additive exPlanation（SHAP）、局部可解释模型无关解释（LIME）和显著性图等解释策略将模型决策映射回神经生理学上有意义的特征。
3 用于EEG处理的深度学习架构
深度学习（DL）模型因其直接从原始数据学习复杂非线性映射的独特能力，已成为脑电图（EEG）信号清洗的主导范式。去噪框架的目标函数通常为均方误差（MSE），训练过程遵循前向传播、损失计算和反向误差传播的基本执行周期。
3.1 卷积神经网络（CNN）
在EEG分析中，卷积神经网络（CNN）将多通道时间序列数据视为移动的时空网格。一维卷积层沿时间轴滑动小型可学习滤波器，自动提取平移不变局部特征，如瞬时癫痫尖波、节律性振荡或突发高振幅眼动偏转。CNN的主要优势在于隔离局部、高振幅、短持续时间伪迹的能力，且计算开销较低、并行化程度高，适合低延迟床旁预警架构。然而，标准一维卷积的固有局部性限制其建模长程时间上下文和非连续EEG通道间复杂空间关系的能力。在基准数据集（如CHB-MIT和TUH EEG）上，基于CNN的框架报告分类准确率在91.5%至96.8%之间，而传统支持向量机（SVM）或随机森林模型在相同原始输入上准确率为84.0%至89.5%。
3.2 循环神经网络（RNN、LSTM和GRU）
循环神经网络（RNN）专门设计用于处理序列数据，通过维护持续的隐藏状态来携带所有先前时间步的历史上下文。RNN在去噪方面擅长隔离连续、低频、慢速生理漂移，如呼吸伪迹、热汗漂移或重复心电（ECG）脉冲干扰。然而，其逐样本顺序处理方式阻碍了GPU并行化，导致训练周期显著延长和部署延迟增加。标准RNN在长EEG序列上存在梯度消失和爆炸问题，且无法自然映射头皮的三维空间布局。长短期记忆网络（LSTM）和门控循环单元（GRU）解决了梯度问题，但大量内部超参数增加了小数据集上过拟合的风险。现代流程很少使用独立循环框架，倾向于采用混合CNN-RNN或CNN-LSTM架构，由卷积层先提取空间特征再进行序列时间跟踪。
3.3 自编码器（AE）
自编码器是基于架构压缩和重建的数据特定自监督模型，由编码器、瓶颈（潜在）层和解码器三部分组成。通过迫使污染信号通过紧凑的信息瓶颈，网络被驱动抑制冗余噪声和随机伪迹，同时保留稳定的底层神经成分。去噪自编码器（DAE）通过故意用人工噪声破坏输入并迫使网络重建原始干净信号来学习噪声不变特征映射；稀疏自编码器对潜在层激活施加稀疏惩罚，促使每个神经元专门化于不同的高价值特征；变分自编码器（VAE）将潜在空间建模为连续概率分布，并通过Kullback-Leibler（KL）散度项调节以确保平滑、有序的重建。自编码器的主要局限性在于其高度数据特异性，训练与部署数据分布之间的差异会严重降低重建精度，且过度约束的瓶颈层可能抑制细微的低振幅神经细节。
3.4 生成对抗网络（GAN）
生成对抗网络（GAN）将EEG伪迹去除问题表述为生成器（G）和判别器（D）之间的零和竞争博弈。生成器学习将受伪迹污染的输入转化为干净的神经估计，判别器评估生成器输出是否像真实、纯净的EEG信号。对抗循环优化极小极大目标函数，使生成器不断提高生成质量而判别器不断增强鉴别能力。GAN在生成逼真、高保真EEG信号方面展现出潜力，但训练不稳定和模式坍塌等问题仍需关注。
