
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于cGAN数据增强与GATv2-LSTM混合模型的脑电图阿尔茨海默病可解释分类研究
《Scientific Reports》:Bridging data scarcity and explainability in EEG based Alzheimer’s prediction using cGAN augmented GATv2-LSTM networks
【字体: 大 中 小 】 时间:2026年09月18日 来源:Scientific Reports 4.9
编辑推荐:
摘要阿尔茨海默病 (AD) 的准确和早期诊断仍然是该疾病治疗和患者健康的关键因素。当前工作提出的模型是基于脑电图 (EEG) 的多分类模型,该模型在两个具有不同诊断类别的数据集上进行了测试(数据集 I:健康对照组 (HC)、轻度认知障碍 (MCI)、阿尔茨海默病 (AD);数
阿尔茨海默病 (AD) 的准确和早期诊断仍然是该疾病治疗和患者健康的关键因素。当前工作提出的模型是基于脑电图 (EEG) 的多分类模型,该模型在两个具有不同诊断类别的数据集上进行了测试(数据集 I:健康对照组 (HC)、轻度认知障碍 (MCI)、阿尔茨海默病 (AD);数据集 II:健康对照组 (HC)、额颞叶痴呆 (FTD)、阿尔茨海默病 (AD))。使用条件生成对抗网络 (cGAN) 数据增强技术来解决类别不平衡问题,尤其是 MCI、FTD 和 HC 存在代表性不足的情况。使用瓦瑟斯坦距离和核密度估计 (KDE) 对生成的合成脑电信号的保真度进行了分析。结果显示,对于数据集 I,额叶通道 (Fp1, F3) 中的真实信号和合成信号之间存在高度相似性,且 MCI 类别显示出较大的特定通道偏差。而对于数据集 II,FTD 和 HC 数据在真实和合成脑电信号之间均显示出良好的总体相似性,但在 FTD 类别中观察到一些较大的特定通道偏差。提出的混合 GATv2-LSTM 模型整合了来自脑电图信号的空间和时间信息,用于阿尔茨海默病分类。具体来说,图注意力网络 v2 (GATv2) 通过建模其连接性来学习脑电通道之间的空间关系,而长短期记忆网络 (LSTM) 捕捉脑活动的时间动态。此外,还纳入了自适应注意力融合和残差连接,以有效地结合空间和时间特征,增强特征学习,并提高分类性能。在样本级 80/20 划分下,该模型在数据集 I 上达到了 94.60% 的分类准确率,在数据集 II 上达到了 89.19%,优于无数据增强模型和单模型。为了提高模型的可解释性,采用集成梯度 (IG) 来评估单个脑电通道对分类结果的贡献。结果显示,额叶、顶叶、中央和枕叶区域的通道对模型最为相关,而其他区域的通道影响相对较小。这一发现与之前基于脑电图的阿尔茨海默病检测研究一致。这项概念验证研究是有前景的探索,验证了使用经验证的合成脑电数据和可解释深度学习模型来实现数据高效的基于脑电图的 AD 分类的可行性。