基于多域脑电图特征分析与CNN-注意力架构的三叉神经痛自动检测：一项机器学习对比研究

《Scientific Reports》：Automated detection of trigeminal neuralgia using multi-domain EEG feature analysis and CNN-attention architecture: a comparative machine learning study

　　

摘要

三叉神经痛是一种严重的神经性疼痛疾病，其特征为突然发作的剧烈面部疼痛。该病的诊断主要依赖于患者的主观症状描述，因此常常出现误诊和治疗延迟的情况。本研究旨在通过多领域特征分析，系统比较多种分类架构，开发并评估一种基于脑电图的自动检测框架，用于三叉神经痛的早期识别。研究从72名受试者中获取了静息状态下的脑电图数据，其中包括36名三叉神经痛患者（平均年龄44±13.98岁）和36名健康对照组（平均年龄27.75±3.15岁）。这些受试者在闭眼状态下，通过19个头皮电极以250赫兹的频率记录了5分钟的脑电图数据。经过标准化预处理后，利用离散小波变换将信号分解为五个频段，每个频段又提取了涵盖时间、频谱、复杂性、统计特性以及非线性特征在内的40个定量特征，最终得到了3,800个初始特征。通过两阶段筛选流程，最终确定了28个具有较高区分度且特征间相关性较低的优质特征（其中22个特征的p值小于0.05，差异绝对值大于0.5）。研究共评估了六种分类模型，包括支持向量机、随机森林、决策树、深度神经网络、基础卷积神经网络，以及一种采用64×64灰度图像转换处理多领域时间特征的新型带注意力机制的卷积神经网络。统计分析结果显示，共有1,877组特征-通道-频段组合具有显著性，其中30–50赫兹的伽马频段表现出最高的区分度（有512个显著特征，前额叶近似熵的科恩d值大于5.9），而前额叶区域也出现了最多的特征变化（占所有显著特征的43.3%）。协方差分析表明，28个具有区分度的特征中有22个（78.6%）在考虑不同年龄组间的差异后依然保持显著性（η2p值≥0.06）。在基于单例的五折交叉验证中，带注意力机制的卷积神经网络取得了最佳的初步检测效果，其准确率为96.44±2.60%，ROC-AUC值为0.996±0.007，召回率为99.8±0.3%，其性能优于随机森林（92.30%）、基础卷积神经网络（93.81%）、深度神经网络（88.74%）、决策树（83.03%）和支持向量机（62.96%）。不过，由于健康对照组在数据增强之前仅有14名真正独立的受试者，因此在五折交叉验证中，每组测试数据都需要与2–3名真正独立的对照组及其合成对照数据进行对比，这大大限制了研究结果的普遍适用性。总体而言，这项研究为脑电图基数的自动检测方法作为三叉神经痛的非侵入性诊断手段提供了初步的可行性证据，尤其是带注意力机制的卷积神经网络在规模较小且依赖数据增强的数据集上表现出了不错的性能。研究中发现的神经生理学特征，尤其是伽马频段熵值的变化以及前额叶区域的复杂性指标，有助于深入理解三叉神经痛患者中枢神经系统的重组过程。然而，目前所展示的性能指标由于依赖于数量有限的真正独立对照组，因此不能直接视为该技术已具备临床应用条件。在得出关于该诊断方法普遍适用性的结论之前，还需要在更大规模、独立收集且年龄匹配的受试者群体中进行外部验证。