摘要
背景：正常衰老涉及大脑功能的逐渐下降，而神经退行性疾病则表现为加速的恶化。脑电图（EEG）能够捕捉大脑振荡活动的变化，使其在检测神经退行性疾病方面具有应用前景。然而，现有方法往往更注重分类性能而忽视频谱生物标志物的识别，从而限制了临床转化。方法：我们提出了一种基于EEG的框架，整合了解释性机器学习、受试者间异质性与时间稳定性分析以及概率建模，以识别病理大脑衰老过程中可重复的频谱生物标志物。本研究分析了两个独立的公开EEG数据集，包含认知正常（CN）个体以及阿尔茨海默病（AD）、帕金森病（PD）和额颞叶痴呆（FTD）患者。利用SHAP对规范频带中的频谱特征进行分析，以识别两个数据集中可重复的生物标志物。随后通过受试者间异质性、时间稳定性和经验分布对所识别的生物标志物进行表征，以评估疾病相关的振荡活动改变。结果：多个频谱特征在不同分类任务中表现出一致的疾病相关性。<α β>比出现为代表性的生物标志物，在大多数神经退行性组中相较于认知正常组表现出更低的时间稳定性和更宽的经验分布。结论：可重复的EEG频谱生物标志物时间稳定性的降低可能代表病理衰老期间振荡性大脑组织功能紊乱的一种可观察特征。所提出的框架刻画了EEG频谱生物标志物的一个维度，这是静态汇总所忽略的，为未来纵向研究构建诊断与监测工具提供了可解释的基础。
