基于EEG深度学习的偏执型精神分裂症分类研究：3D-CNN与EEGNet的对比分析

《Scientific Reports》：Schizophrenia classification from multichannel EEG using EEGNet with SHAP and Grad-CAM

　　

精神分裂症会影响认知、感知和神经信息处理。脑电图（EEG）提供了一种非侵入性且相对低成本的途径来研究这些变化。本研究评估了两种深度学习模型，用于区分偏执型精神分裂症患者与健康对照，使用的是公开可用的 RepOD 静息态脑电数据集，该数据集包含14名患者和14名健康对照，从19个电极以250 Hz的采样率记录数据。为防止参与者级别的数据泄露，所有最终测试均采用留一法（Leave-One-Subject-Out, LOSO）和分层组5折验证来保持参与者分离。三维卷积神经网络（3D-CNN）使用了短时傅里叶变换表示（STFT），而 EEGNet 则直接使用通道-时间脑电片段。在最终受控分析所使用的参考设置下，EEGNet 在 LOSO 验证下的准确率为0.750，F1分数为0.767，Cohen's kappa为0.497，AUC为0.797。在分层组5折验证下，对应值分别为0.679、0.695、0.357和0.757。EEGNet 的表现优于 3D-CNN，尤其是在分层组5折验证下，3D-CNN 仅取得了0.011的kappa值。基于参与者的自助法置信区间量化了28名参与者队列的相关不确定性。对学习率（LR）和 STFT 分辨率的额外测试证实，3D-CNN 对模型设置和折组成较为敏感。一项独立的独立成分分析（ICA）清洗测试显示，去除可能的伪迹并未纠正 3D-CNN 在分层验证下的弱表现，而 EEGNet 在清洗后性能有所提升。采用 SHapley 加性解释（SHAP）和梯度加权类激活映射（Grad-CAM）来检验哪些脑电通道和信号区域影响了模型决策。EEGNet 的可解释性结果更为清晰，而 SHAP 和 Grad-CAM 对单个电极的排名有所不同。这些发现为进一步使用更大且独立的数据集进行验证奠定了基础。