SOFEx：一种基于脑电数据集检测轻度认知障碍和阿尔茨海默病的自组织特征提取方法

《Brain Topography》：SOFEx: A Self-Organized Feature Extraction Approach for Detecting Mild Cognitive Impairment and Alzheimer’s Disease using EEG Datasets

　　

摘要

轻度认知障碍（MCI）与阿尔茨海默病（AD）的早期鉴别诊断仍然困难，因为诊断需要整合认知、影像学、实验室和神经学证据。基于脑电图（EEG）的模型可能提供互补信息，但固定的特征描述可能无法捕捉与信号相关的结构。为此，开发了SOFEx作为一个自适应且可解释的EEG特征工程框架。本研究分析了来自168名参与者（59例AD、7例MCI、102例对照组）的451次记录中的1,905个EEG片段。SOFEx结合了自组织玫瑰模式提取、按折次的特征选择、按通道的分类以及迭代多数投票。验证采用了留一被试法（LOSO）、留一记录法（LORO）以及基于参与者分组的10折交叉验证（CV）。在LOSO下比较了五种分类器，并保留了支持向量机（SVM）。作为对未见过参与者泛化能力的初步评估，LOSO实现了84.09%的准确率（95% Wilson置信区间，82.38–85.67%），各类别的召回率分别为AD 94.47%、对照组56.59%、MCI 21.18%（不均匀准确率UAR为57.41%；宏平均F1分值为62.95%）。LORO和基于参与者分组的10折交叉验证分别达到了93.65%和96.38%的准确率，表明不同验证方案之间存在显著的性能差异。额叶和顶叶电极反复入选最佳配置，为支持分类的信号提供了传感器空间信息。SOFEx提供了一个自适应且可解释的特征工程框架，用于基于EEG的分类任务，将输入特定的模式选择与传感器级别的可追溯性相结合。基于参与者的独立评估显示，该框架对AD具有高敏感性，而对MCI的鉴别仍然更具挑战性。这些发现支持了所提出框架的潜力，并促使未来在更大规模且独立的队列中进行进一步验证，以评估其在不同临床环境中的泛化能力。