基于XAI引导通道精简的双分支多尺度通道注意力CNN用于EEG阿尔茨海默病检测

《Scientific Reports》：EEG-based Alzheimer’s disease detection using two-branch multi-scale deep learning with integrated gradients-guided channel selection

　　

摘要

阿尔茨海默病（AD）的早期诊断对于及时干预和临床监测至关重要。脑电图（EEG）提供了一种非侵入性、低成本且便携的神经影像替代方案。然而，现有的传统方法和基于深度学习（DL）的方法常常面临计算成本高、表示复杂以及实际部署困难等挑战。在本工作中，我们提出了Fused-MSCA-2B，一种用于基于EEG的AD检测的双分支多尺度通道注意力一维卷积神经网络（CNN）。该模型直接将宽带多通道EEG作为时间序列进行处理，并融合了多尺度时间卷积、残差学习、压缩-激励通道注意力以及特征级分支融合。具体而言，分支A使用核配置为\((3,5,9)\)和\((3,5,7)\)的MSCA模块来捕捉局部和中等范围的时间依赖性，而分支B使用\((5,9,15)\)和\((3,5,9)\)来捕捉更宽泛和更高层次的时间模式。分支级嵌入经融合后通过密集分类层生成AD/HC的后验概率。所提出模型的一个关键组件是基于可解释人工智能（XAI）引导的减少通道选择策略。利用积分梯度（IG）对验证数据中的EEG通道相关性进行排序，从而将EEG导联配置从19个通道减少到12个通道。我们使用两个基准数据集对所提出模型进行了评估。IG引导的Top-12配置在将EEG导联配置从19个通道减少到12个通道的情况下，实现了98.60% ± 1.18%的录制级准确率。作为辅助的消融分析，固定Top-12配置实现了98.40% ± 0.73%的准确率，进一步验证了IG引导的减少通道选择策略的有效性。结果表明，所提出的XAI引导的Fused-MSCA-2B框架支持具有紧凑且实用电极配置的稳健EEG-based AD检测，并在减少通道集的情况下表现出强大的性能。