基于紧凑相对排序模型的可解释EEG痴呆分类

《Biomedical Signal Processing and Control》：Compact relative-ordering models for interpretable EEG-based dementia classification

　　

研究人员发现，紧凑相对排序模型（compact relative-ordering models）支持可解释的痴呆分类（interpretable dementia classification）。相对排序约束（relative-ordering constraints）突出了区域（regional）和频带（frequency-band）信号模式。记录内比较（within-recording comparisons）减少了对绝对特征值（absolute feature values）的依赖。不重新拟合的外部测试（no-refit external testing）提供了跨数据集可移植性（cross-dataset portability）的有限证据。

研究人员围绕脑电图（EEG）在痴呆管理中的可解释分类问题开展了系统研究。EEG因无创、相对廉价并能直接反映大规模神经生理活动而成为重要工具，计算分析可提取频谱、时间、区域和分布特征，机器学习方法也越来越多地用于痴呆研究。然而，大多数机器学习方法依赖绝对特征值，拟合后的决策函数往往难以解释；在生物医学应用中，事后解释可能无法完全恢复模型的真实决策逻辑，因此需要紧凑且内在可解释的模型。Top Scoring Pair（TSP，一种基于两个特征相对排序的分类器）和k-TSP（扩展为多个特征对投票的分类器）通过样本内特征对的相对排序表示类别信息，模型形式为简单透明的成对特征排序关系，最初用于基因表达数据，但原理是领域无关的。将TSP/k-TSP扩展到EEG并非简单迁移，因为EEG描述符可能结合幅度十分位数、频谱功率、区域聚合和频带特征，相对排序模型的效果取决于所选特征表示以及成对比较是否仍可解释。为此，研究人员在两个公共OpenNeuro EEG数据集上，对阿尔茨海默病（AD）、额颞叶痴呆（FTD）和认知正常（CN）受试者在闭眼（EC）与睁眼光刺激（EO/photo）两种条件下的记录进行了TSP/k-TSP分类评估，并与标准机器学习分类器和固定EEG比率对照进行比较；同时考察候选对限制、记录条件敏感性和外部ADSZ数据集上的无重拟合测试。研究结果表明，紧凑相对排序模型在部分疾病-对照设置中具有竞争力，尤其在使用频谱特征表示时，且能提供可直接检查的少量特征对决策结构；其性能强烈依赖特征表示和记录条件，更适合作为标准机器学习的补充解释层而非替代品。这项研究的重要意义在于为EEG痴呆分类提供了一种可解释的建模层，并将精确规则重复与更宽泛的谱-区域模式重复进行了区分。

研究人员使用两个公共OpenNeuro EEG数据集（ds004504和ds006036），共88名受试者（36 AD、23 FTD、29 CN），每名受试者有EC和EO/photo两种配对记录条件；另用ADSZ数据集（24 AD和24健康对照）进行外部测试。从预处理后的EEG数据提取幅度十分位数、幅度汇总、区域幅度、通道级/区域级绝对功率谱密度/频带功率（PSD/bandpower）等五种特征表示。TSP/k-TSP采用switchBox KTSP流程，使用重复分层subject-wise五折交叉验证（20次重复）。参考模型包括弹性网络逻辑回归、线性支持向量机、k近邻、随机森林、XGBoost和收缩线性判别分析；固定EEG比率（theta/alpha、delta/alpha）作为领域对照。还实施了EEG候选对限制、年龄/性别匹配、置换检验等敏感性分析。

4.1 表示感知的分类器景观
通过比较不同特征表示下各分类器家族的表现，分类器性能强烈依赖于输入的EEG特征表示。频谱特征表示最一致地支持相对排序模型；主k-TSP模型在六种疾病-对照设置中的五种中频谱表示最强，例外是EC FTD-vs-CN，此时区域幅度汇总表现最佳。

4.2 TSP/k-TSP与标准机器学习及EEG比率对照的比较
在每种方法使用其最强预定义特征表示后，相对排序方法与标准机器学习方法性能范围重叠，没有模型家族在每个设置中都是最好的。预设主k-TSP模型与各设置中最强标准机器学习基线相比，获得2胜、1平、3负，macro-F1差异范围为-0.030至+0.035。最强固定EEG比率对照在2/6设置中超过k-TSP，在3个设置中平局，在1个设置中低于k-TSP。

4.3 候选对限制
通过限制候选特征对空间，慢-快限制是最具竞争力的受限设置：相对无限制参考，它产生小的正macro-F1变化（约+0.008），而MCC略负。聚焦的区域PSD分析中，将候选从300对限制到150对慢-快对，在所有六个主要设置中产生正macro-F1点差异（平均+0.029，范围+0.003至+0.053），但所有参与引导区间包含零。区域和拓扑感知限制接近中性；局部跨频带、区域间、特别是半球限制降低了性能。

4.4 年龄和性别基线与人口统计敏感性分析
年龄/性别单独基线弱但非零（平衡准确率0.493-0.569）。仅训练折线性年龄/性别调整在30个主要疾病-对照设置中产生平均macro-F1变化-0.0203，其中18/30设置下降。重复匹配队列（100个解）保留36、30、44-50名受试者，12个任务-条件-PSD表示组合的匹配队列中位macro-F1为0.702-0.797，相对于同一匹配参与者上的未调整模型无一致方向损失；这表明匹配后EEG判别仍有用，但不确立人口统计无关性。

4.5 关系重复性和模式敏感性
参与者级标签置换检验显示，经整体校正后，EC AD+FTD-vs-CN和EC AD-vs-CN的谱-区域模式检验显著；前>后模式在三个设置中达到校正显著性，额叶theta>枕叶alpha模式在EC AD+FTD-vs-CN中显著；但没有任何单个精确有向对超过校正零假设。针对性模式分析显示，排除慢-快或theta-alpha候选在所有六个区域PSD设置中降低macro-F1（平均-0.074），而慢-快-only模型在所有六个设置中产生正点差异（平均+0.029），theta-alpha-only在五个设置中为正（平均+0.028）。这表明更宽泛的候选家族具有预测相关性，但单一精确关系并不普遍稳定。

4.6 可解释性分析
通过检查选定特征对，最清晰的重复模式涉及慢-快和前-后对比，theta-alpha比较频繁出现，尤其是额叶/额颞theta特征高于后部alpha特征。区域频谱特征产生最清晰的精确对重复，而高维表示产生更分散的选择。这些是拟合模型的探索性计算总结，不应视为验证过的生物标志物、源定位机制或临床决策规则。

4.7 记录条件敏感性
EC和EO/photo记录不可交换；随机森林对EC-vs-EO/photo判别平均macro-F1超过0.80，表明记录条件本身编码在特征空间中。跨条件疾病迁移不一致，即使有完全参与者重叠；当EC和EO/photo联合分析且保持参与者分组时，标准机器学习持续优于紧凑相对排序模型。因此主要基准结果应被解读为记录条件特异，而非记录条件不变的分类证据。

4.8 AD-vs-FTD边界分析
紧凑k-TSP在AD-vs-FTD边界分析中弱于最强标准机器学习参考：EC中macro-F1为0.51对0.64，EO/photo中为0.59对0.70。这定义了紧凑相对排序模型在该数据集中的操作边界，不支持强烈的AD-vs-FTD亚型区分声明。

4.9 ADSZ无重拟合压力测试
将OpenNeuro选择的通道级绝对PSD/bandpower特征对固定应用于独立ADSZ AD-vs-HC队列，无重拟合。AD-vs-CN选定k-TSP对集在ADSZ闭眼和睁眼中达到约0.78-0.85的平衡准确率；118个唯一对中，47对在ADSZ两种记录条件下最小平衡准确率≥0.70，19对≥0.80。最强迁移对如Fp₂θ > O₁α在ADSZ闭眼和睁眼分别达到1.00和0.96的平衡准确率。这表明一些谱特征对在独立队列中保留了特征排序判别信号；但ADSZ规模小且仅限于AD-vs-HC，因此应视为狭窄范围的无重拟合压力测试，而非完整外部临床验证。

讨论部分指出，紧凑相对排序模型可作为EEG痴呆分类的可解释建模层，其价值在于拟合模型的形式：直接可检查的少数特征对比较和明确投票方向。它们位于固定EEG比率对照与灵活标准机器学习之间，最适用于类别分离可由少量记录内特征排序表达的场景。性能依赖于特征表示和记录条件；选中的谱-区域模式与已知痴呆EEG变化（如慢-快、theta-alpha）一致，但应视为计算摘要而非验证性生物标志物。置换和消融结果支持模式级重复而非精确对重复。局限性包括：小样本（N=88）、使用已发布OpenNeuro数据而非原始重处理、人口统计学混杂、ADSZ外部测试仅限AD-vs-HC、未评估概率校准和临床效用等。未来研究需更大多中心队列、协调原始EEG预处理和更强外部验证。结论翻译：紧凑相对排序模型可为基于EEG的痴呆分类提供透明建模层；TSP/k-TSP在选定的疾病-对照设置中达到有竞争力的性能范围（尤其频谱表示下），但并不统一优于标准机器学习；性能强烈依赖特征表示和记录条件；AD-vs-FTD分析显示了操作边界；候选对限制可提高针对性和可解释性，慢-快限制在区域PSD分析中产生正差异；置换结果支持更宽泛谱-区域模式重复而非精确对重复；外部无重拟合压力测试提供了有限的跨数据集可移植性证据。