《Neurocomputing》：Learning Alzheimer’s disease signatures by bridging EEG with spiking neural networks and biophysical simulations
编辑推荐：
摘要翻译：随着阿尔茨海默病（AD）患病率的增加，对从非侵入性神经记录中获取可解释生物标志物的需求日益增长。尽管应用于脑电图（EEG）的深度学习方法取得了较强的分类性能，但其往往缺乏机制可解释性，且需要大规模数据集。脉冲神经网络（SNNs）提供了一种具有生物学基
摘要翻译：随着阿尔茨海默病（AD）患病率的增加，对从非侵入性神经记录中获取可解释生物标志物的需求日益增长。尽管应用于脑电图（EEG）的深度学习方法取得了较强的分类性能，但其往往缺乏机制可解释性，且需要大规模数据集。脉冲神经网络（SNNs）提供了一种具有生物学基础的替代方案，然而其与大规模脑动力学之间的关系仍未得到充分理解，并且其在该领域内用于神经形态硬件低功耗部署的潜力在很大程度上尚未量化。研究人员提出一个概念框架，在该框架中，数据驱动模型与机制性模拟通过收敛于一个共同的生理轴——即激发-抑制（E/I）平衡——而相互关联。在该框架内，使用基于网络的统计方法估计的EEG衍生功能连接被用作连接先验，以约束大规模脉冲网络模拟，从而获得经验信息化的回路动力学。与此同时，在静息态EEG上训练的SNN分类器取得了具有竞争力的性能（AUC = 0.804–0.844），其中非周期性的1/f斜率作为一个对应E/I失衡的判别性标志物出现，从而建立了进一步的概念桥梁。部署在SpiNNaker神经形态硬件上后，延迟编码的SNN保持了具有竞争力的分类性能（AUC = 0.793–0.839），同时将每次推理的估计能耗降低至SpiNNaker 2上基于GPU基线的大约三分之一，证明了低功耗神经形态部署在该任务中的实际可行性。为了机制性地解释EEG发现，研究人员在无约束和有连接约束两种条件下，系统地改变抑制性与兴奋性比率来模拟脉冲网络。所产生的动力学重现了经验EEG的关键频谱特征，包括频谱减慢和alpha频段调制，其中功能连接先验改善了模拟与观测频谱结构之间的一致性。总体而言，通过将机器学习与生物物理模拟共同植根于共享的E/I平衡框架、用经验连接约束回路动力学，并验证在神经形态硬件上的低功耗部署，这项工作为阿尔茨海默病中的EEG生物标志物提供了一个连贯、可解释且实际可部署的解释。
论文解读：
**研究背景与问题**
阿尔茨海默病（Alzheimer’s disease, AD）的早期临床检测仍具挑战，现有诊断手段常依赖昂贵的神经影像或侵入性生物标志物检测，难以规模化推广。脑电图（electroencephalography, EEG）作为一种非侵入、低成本技术，已在AD诊断与监测中显示出价值，但开发可解释、计算高效、且具备机制基础的EEG诊断工具仍是未解难题。已有研究表明，皮层回路的激发-抑制（excitation–inhibition, E/I）平衡是基本组织原则，可通过EEG及其逆幂律斜率等宏观信号量化；E/I失衡与多种神经精神和神经退行性疾病相关。同时，脉冲神经网络（spiking neural networks, SNNs）凭借时间编码、生物合理性和神经形态硬件上的低能耗优势，已成为处理EEG时间信号的有力工具，但在AD检测中的应用尚属空白。现有AD分类深度学习方法多为黑箱，缺乏神经生物学机制解释。因此，研究人员提出一个概念框架，将SNN分类与生物物理模拟通过共享的E/I平衡轴相连接，并使用经验功能连接（functional connectivity, FC）作为先验约束模拟，旨在弥合数据驱动模型与机制模型之间的鸿沟。
**研究内容与结论**
该研究使用公开EEG数据集，包括36名AD患者和29名年龄匹配的健康对照（HC），采集静息态闭眼EEG，经带通滤波、重参考、伪迹去除等预处理。研究人员设计了基于SNN和人工神经网络（ANN）的分类器，输入399维特征（频谱功率、功能连接、标准差、Katz分形维数及非周期成分等），并对比不同编码方式（率编码与延迟编码）。结果显示，SNN取得了与ANN相当的分类性能（AUC约0.8），且1/f斜率作为重要特征，与E/I平衡相关联。模型成功部署于SpiNNaker神经形态硬件，在保持性能的同时，能耗显著降低。此外，基于网络统计（network-based statistics, NBS）识别出AD与HC间显著差异的功能连接边。生物物理模拟部分，研究人员使用5000神经元随机网络，系统性改变抑制-兴奋突触强度比（g值），模拟膜电位和突触电流两种EEG代理信号，并在有无FC先验条件下比较模拟与经验EEG频谱。结果显示，FC先验，特别是结合Izhikevich神经元模型时，能更好地重现经验频谱特征（如alpha频段峰值），而加权Cohen’s d量化了模拟与经验1/f斜率效应量的一致性。
**主要关键技术方法**
研究使用了三大类方法：一、SNN分类器，采用三层漏电整合-发放（leaky integrate-and-fire, LIF）神经元，以率编码或延迟编码处理特征，使用替代梯度训练，并用SHAP分析特征重要性；二、生物物理模拟，在NEST模拟器中构建5000神经元随机网络（80%兴奋、20%抑制），分别提取基于膜电位和突触电流的EEG代理信号，并引入每个频率段（theta、alpha、beta、gamma）的组平均FC矩阵作为子网络间连接先验；三、能耗估算，依据FLOP（GPU）和SOP（神经形态）的每操作能量成本，结合实测脉冲活动进行解析计算。样本队列来源为公开数据集，包含AD患者和健康对照。
**研究结果**
*3.1 EEG分类*
SNN在整段记录和epoch水平均取得良好AUC，延迟编码略优于率编码，但统计差异不显著。1/f斜率在SHAP重要性中位列前十，表明其作为E/I平衡标志物的价值。部署到SpiNNaker后，延迟编码SNN的AUC为0.793–0.839，较模拟器略有下降，但能耗约为GPU的三分之一。
*3.2 能耗分析*
ANN每样本需118,978 FLOPs，SNN平均23,617 SOPs。SpiNNaker 2上SNN能耗仅为GPU基线的约三分之一，即使采用对GPU最有利的10 pJ/FLOP假设，SNN仍具优势。
*3.3 基于网络的统计*
NBS分析发现，AD患者alpha和beta频段连接显著减少，theta频段连接增加，delta频段虽检测到显著连接但被归因于伪迹，gamma频段无显著成分。
*3.4 模拟*
无FC先验时，LIF模型产生尖锐窄带峰，与经验频谱不符；Izhikevich模型产生更平滑的类1/f衰减谱。加入FC先验后，Izhikevich模型1重现了HC高于AD的alpha峰，模型2则出现相反的alpha差异。加权Cohen’s d显示，LIF模型高估效应幅值，而FC先验的Izhikevich模型1与经验EEG最接近（d = ?0.202 vs. ?0.190）。
**讨论与结论**
讨论指出，1/f斜率虽非最强单独特征，但其生理学基础使其成为连接分类与机制模拟的关键。SNN与ANN在特征利用上互补，SNN偏向连接与变异度，ANN偏重非周期谱特征。FC先验对频谱组织的影响取决于神经元模型和信号定义。局限性包括随机网络简化、EEG作为弱先验、样本量小、缺乏皮层下贡献等。研究结论认为，E/I失衡作为微回路水平的驱动因素，经由大规模功能连接的空间平均，产生可观测的EEG宏观生物标志物；SNN与生物物理模拟的联合框架为AD的EEG解释提供了可部署、低功耗且机制可解释的路径。翻译研究结论部分：总而言之，通过将脉冲神经网络分类与生物物理模拟相结合，我们将数据驱动的EEG生物标志物与潜在的皮层E/I失衡联系起来，提供了预测性能和机制可解释性；SNN能有效区分AD患者与健康对照，且对非周期谱特征敏感；模拟重现了AD的关键EEG表型，并揭示了E/I失衡作为微回路驱动力，而功能连接决定哪些变化能够存活为宏观生物标志物；这项工作超越了黑箱分类，为解释神经退行性EEG生物标志物提供了指导框架。
