《Computers and Electrical Engineering》：Attention-guided electroencephalography fusion with fractal and nonlinear dynamics decodes early Alzheimer’s biomarkers
编辑推荐：
阿尔茨海默病（AD）早期诊断面临数据异质性和模型过拟合挑战，本研究提出Gated Recurrent Unit-Attentive EEG Fusion（GAEF）模型，整合分形特征（Higuchi分形维数、Lyapunov指数）与注意力机制，实现AD、前额叶痴呆（FTD）和正常认知（CN）的98.3%准确率，显著提升临床诊断可靠性。
Chayut Bunterngchit|Chaowanan Jamroen|Saba Aslam|Abdur Rasool|Oluwarotimi Williams Samuel
泰国罗勇府北曼谷国王蒙固科技大学工程学院工业与物流工程技术系，罗勇21120
摘要
阿尔茨海默病（AD）由于其神经退行性本质以及对认知功能的复杂多样影响，对医疗系统构成了严峻且日益增长的挑战。尽管结合深度学习方法的脑电图（EEG）数据在早期检测方面显示出潜力，但现有方法往往难以达到可靠的准确性。这种困难源于与AD进展相关的微妙且异质的神经模式，以及在处理小型或不平衡数据集时过拟合的风险增加。为了解决这些限制，本研究引入了一种新的诊断建模范式：门控循环单元-注意力EEG融合（GAEF）模型，该模型旨在有效捕捉EEG数据中的频谱和时间依赖性。GAEF模型结合了注意力机制，增强了模型对区分AD、额颞叶痴呆（FTD）和认知正常（CN）病例最相关模式的关注。此外，该模型利用基于分形和非线性动力学的高级特征，包括Higuchi分形维数和Lyapunov指数，以及不同EEG频段的频谱熵和功率谱密度，以改进分类边界。在多个标准数据集上的实验结果表明，GAEF模型具有强大的泛化能力，在训练和测试中AD、FTD和CN类别的准确率均达到了98.3%，且没有过拟合现象。这些发现强调了该模型在实际临床场景中的适用性，显著提高了AD诊断的精确度，促进了早期检测，并改善了患者护理策略。
引言
阿尔茨海默病（AD）在过去几十年中已成为医疗系统面临的重大挑战[1]。这种神经退行性疾病严重损害了认知功能，目前被认为是主要的痴呆类型。据估计，全球有超过5500万人患有痴呆症[2]。长期AD护理的预计医疗费用惊人，到2050年可能达到1万亿美元[3]。除了认知影响外，AD还可能是致命的，痴呆症是第七大死亡原因，其中AD占病例的60%-70%[3]。该疾病不仅给患者带来负担，也给护理人员和社会带来巨大压力。AD表现为广泛的认知和行为症状。最初，患者会出现轻微的记忆丧失和认知障碍，人们会注意到认知功能的轻微恶化[4]。随着疾病的发展，这些症状会导致日常活动的日益干扰。AD深刻影响认知过程，影响记忆形成、注意力控制和信息处理等基本机制[5]。神经生物学研究揭示了与AD相关的病理机制，特别是大脑中β-淀粉样蛋白斑块和tau蛋白缠结的积累[6]。这些异常会引发突触功能障碍和神经元丢失，导致负责记忆巩固、检索和整合的神经回路受损，从而出现认知缺陷。这种全面的影响突显了早期检测和有效管理AD的迫切需求。
由于个体间症状的异质性，检测AD面临重大挑战[7]。为了解决这一复杂性，已经开发了多种临床和非临床方法，采用多学科方法，包括临床测试、神经心理学评估和神经影像学。传统的AD临床评估遵循诸如《精神障碍诊断和统计手册》[8]以及国家老龄化研究所和阿尔茨海默病协会（NIA-AA）标准[9]等既定框架。这些评估通常包括病史回顾、体格检查，以及使用迷你精神状态检查（MMSE）[10]或蒙特利尔认知评估[11]等工具分析认知功能。此外，这些评估还可能包括日常生活活动能力的评估，以识别功能障碍。神经心理学评估也用于分析受AD影响的特定认知领域，包括记忆、语言、注意力和视觉空间能力。各种专门的测试，如韦克斯勒记忆量表和路径测试，被用来检测与AD相关的认知缺陷[12]。这些全面的评估方法旨在提供个体认知状态和功能能力的全面评估，从而实现AD的早期检测和准确诊断。
除了传统的临床评估外，各种非侵入性方法在AD的早期检测和鉴别诊断中也越来越受到重视。脑-计算机接口，特别是使用脑电图（EEG）的方法，已成为AD研究中有前景的工具。EEG的非侵入性和高时间分辨率使其能够捕捉与认知障碍相关的动态神经活动模式[13],[14],[15]。这种方法为了解AD认知衰退的神经基础提供了前所未有的见解，增强了我们的理解，并可能带来新的诊断和治疗策略。
EEG是一种记录大脑神经元产生的电活动的神经成像技术。它能够捕捉神经活动的动态变化，使其特别适合检测认知衰退的微妙迹象。EEG可以揭示与AD患者异常神经振荡相关的独特模式[16]。AD的关键EEG生物标志物包括静息状态节律的变化和事件相关电位（ERPs）的变化。这些生物标志物不仅反映了潜在的神经病理变化，还提供了关于疾病进展和功能障碍的见解。信号处理技术的进步和机器学习（ML）算法的应用显著增强了EEG的诊断潜力。这些先进方法提高了区分健康个体和认知障碍个体的能力。
虽然EEG确实面临信号变异性的挑战，但先进分析方法的整合显著提高了其诊断准确性。这种增强能力不仅提高了检测率，还支持了更有效的AD临床管理策略的发展。因此，EEG已成为AD早期检测和监测的越来越有价值的工具。值得注意的是，来自分形和非线性动力学的特征的整合进一步增强了基于EEG的模型的诊断能力，捕捉了大脑活动中的复杂时间不规则性和混沌行为，这些通常是AD早期阶段的标志。
第2节总结的现有工作为使用EEG数据和深度学习（DL）方法进行AD早期检测提供了坚实的基础。然而，由于疾病捕获模式的异质性，这些方法的准确性受到了限制。此外，许多模型在计算上较为复杂，在不同的现实世界环境中缺乏鲁棒性，这限制了它们的临床应用。鉴于AD治疗严重依赖准确和实用的检测工具，即使高分类率也可能使临床医生倾向于选择传统的检测方法。
对于DL模型来说，准确性和精确性对于建立临床医生对结果的信心至关重要。由于受试者症状范围广泛，从轻微到明显，实现高精度具有挑战性。因此，确定通用的决策边界至关重要。此外，现有模型在不同数据集上的表现存在差异，表明可能存在过拟合或泛化能力差的问题。
为了解决这些挑战，本研究提出了一种称为门控循环单元（GRU）注意力EEG融合（GAEF）模型的强大方法，该方法利用基于GRU的注意力机制有效捕捉EEG数据中的细微模式，同时建模频谱和时间依赖性，这是一种表征AD的新方法。时间特征和频谱特征的整合为区分AD与其他痴呆亚型提供了额外的区分能力。该方法增强了大脑活动分析，使AD和非AD病例之间的区分更加准确。该研究利用了来自开源AD数据集的多个EEG数据，并强调了分形和非线性动力学作为检测认知衰退的关键信号特征的重要性。该模型的性能在AD、额颞叶痴呆（FTD）和认知正常（CN）组中进行了评估，并使用减少通道的EEG数据进行了AD和CN分类的额外基准测试。本研究的主要贡献包括：
在现有研究中，探索了几种基于注意力的模型。这些模型涉及变换器或卷积-注意力编码器[17],[18],[19],[20],[21]等。例如，Chen等人[20]提出了一种结合CNN和视觉变换器组件的双分支融合网络。Lalawat等人[21]引入了NeuroFormer，这是一种结合频谱处理和基于注意力的特征融合的DL架构，以从EEG中学习区分性的时空表示。所提出的方法在几个方面进行了改进：引入了基于注意力的融合，用于临床相关的非线性描述符。在这里，分形和非线性动力学的整合是以明确的方式进行的（Higuchi分形（HFD）维数和Lyapunov指数（LE）的组合）。这些与频谱熵和带限PSD一起，进一步整合到注意力路径中。因此，序列级加权是由生理可解释的皮层减慢标记和降低的动力学丰富度共同决定的。此外，该模型专注于轻量级的时间建模。GAEF没有使用重型变换器，而是采用了紧凑的卷积神经网络（CNN）和GRU模型，并设计了注意力机制。这有助于保持时间背景，并保持设计的计算效率。此外，还结合了非线性特征的实证隔离和注意力。注意力机制利用描述符来细化决策边界，超越了频谱特征。
研究的结构如下：第2节对现有的AD检测ML方法进行了全面的文献回顾。第3节详细介绍了系统设计，包括数据集描述、特征提取方法、模型开发和模拟参数。第4节展示了实验结果并讨论了发现。最后，第5节总结了研究。
章节摘录
文献回顾
最近关于AD检测的研究集中在识别EEG数据中的独特模式和神经振荡异常。这些研究主要分析静息状态节律的变化，检查特定频段功率和ERPs的变化，以表征神经变化[22]。将ML应用于EEG数据彻底改变了诊断分类器的发展，从传统技术到先进的DL模型。
传统的AD检测ML方法
方法
本研究的方法包括三个关键阶段，每个阶段都旨在优化使用EEG数据检测AD。整个系统设计流程如图1所示，展示了这些阶段及其相互联系，为AD检测的EEG数据分析提供了全面和系统的方法。第一阶段涉及全面的数据预处理，从使用z分数计算进行数据标准化开始，以确保所有EEG通道的一致缩放。
结果与讨论
本节对提出的GAEF模型进行了全面评估，评估了其在多个指标和数据集上的性能。
结论
GAEF模型在早期AD检测中表现出卓越的性能，在AD、FTD和CN类别中实现了0.983的显著准确率。这种高准确性突显了该模型在捕捉细微EEG模式和划分与AD诊断相关的复杂决策边界方面的有效性。精心选择的特征空间进一步增强了模型区分各类别的能力。关键的是，GAEF模型能够快速适应这些决策边界，而无需
CRediT作者贡献声明
Chayut Bunterngchit：概念化、数据整理、方法论、资源、软件、验证、可视化、写作——原始草稿。Chaowanan Jamroen：正式分析、可视化、写作——审阅和编辑。Saba Aslam：数据整理、方法论、可视化、写作——审阅和编辑。Abdur Rasool：正式分析、方法论、软件、验证、可视化。Oluwarotimi Williams Samuel：概念化、正式分析、调查、项目管理，
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。
