神经融合网:一个混合EEG功能融合框架,用于准确和可解释的阿尔茨海默病检测
Frnaz Akbar1, Yazeed Alkhrijah2, Syed Muhammad Usman3
1Department of Creative Technologies, Faculty of Computing and Artificial Intelligence, Air University, Islamabad, 44000, Pakistan.
Scientific reports
|December 15, 2025
概括
这项研究介绍了NeuroFusionNet,这是一个新的深度学习模型,用于使用EEG早期检测阿尔茨海默病. 它实现了高精度和可解释性,为高效的临床应用铺平了道路.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 阿尔茨海默病 (AD) 是一种流行的神经退行性疾病.
- 通过脑电图 (EEG) 早期检测对于及时干预至关重要.
- 基于EEG的AD检测现有的计算模型往往缺乏稳定性,可解释性和临床可扩展性.
研究的目的:
- 开发NeuroFusionNet,一种混合深度学习框架,用于准确,可解释和高效的基于EEG的AD和相关痴呆症的分类.
- 将手工制作和深度学习提取的功能融合在一起,以提高分类性能.
- 确保开发模型的临床可扩展性和可解释性.
主要方法:
- 一个混合深度学习框架 (NeuroFusionNet),将手工制作的特征 (光谱,统计,波量,) 与1D-CNN时间嵌入相结合.
- 使用皮尔森相关系数 (PCC) 和粒子群优化 (PSO) 选择特征,通过主要组件分析 (PCA) 减少维度,并使用SMOTE进行类平衡.
- 综合预处理包括带宽过,人工物子空间重建 (ASR) 和独立组件分析 (ICA),然后使用五层深度神经网络进行分类,并进行自适应式学习速率调度.
主要成果:
- 在三个公开的EEG数据集上,NeuroFusionNet实现了最先进的准确性 (94.27%) 和宏F1得分 (0.94).
- 高强度和可重复性通过交叉验证证实最小的差异 (SD<0.3%).
- 使用SHAP和Grad-CAM的模型解释性揭示了生理上一致的AD生物标志物 (例如,后部α减弱,前部β增强).
- 在性别和年龄小组中,可以忽略人口偏差 (<0.6%).
- 轻量化设计 (0.94M参数,4.1 MB) 和计算效率 (6.5 ms推断) 允许在CPU上实时临床部署.
结论:
- NeuroFusionNet为基于EEG的阿尔茨海默氏病检测提供了一个准确,可解释和临床可扩展的解决方案.
- 该模型有效地整合了各种功能,并采用了强大的预处理和优化技术.
- 经过生理验证的生物标志物和人口公平性提高了临床效用和信任.
- 该框架的效率支持在临床环境中实时应用,而不需要GPU支持.
