《Scientific Reports》：AI-driven framework for accurate detection of Alzheimer’s disease in EEG
编辑推荐：
本研究针对阿尔茨海默病（AD）早期诊断中EEG信号特征提取困难、诊断精度不足的难题，提出了一种结合特征融合与卷积长短期记忆网络（Conv-LSTM）的AI驱动框架。该方法整合频谱特征与深度学习表征，通过时空模式分析实现了AD多阶段的高精度区分，准确率达99.8%，为神经退行性疾病的智能辅助诊断提供了创新解决方案。
随着全球人口老龄化加剧，阿尔茨海默病（Alzheimer’s Disease, AD）作为一种常见的神经退行性疾病，正对公共卫生系统构成严峻挑战。该疾病会导致患者认知功能进行性衰退，严重影响生活质量。目前，早期诊断是延缓病情发展的关键，但传统诊断方法如脑脊液检测或正电子发射断层扫描（PET）价格昂贵且具有侵入性，难以普及应用。脑电图（EEG）因其非侵入、低成本和高时间分辨率的优势，成为AD筛查的重要工具，然而EEG信号具有高度复杂性，传统分析方法难以从中提取稳定、判别性强的特征，导致诊断准确率有限。
为解决这一难题，本研究团队开发了一种基于人工智能的新型框架，通过特征融合与卷积长短期记忆网络（Conv-LSTM）的结合，提升AD的EEG诊断性能。该研究发表于《Scientific Reports》，其核心创新在于将频谱特征与深度学习提取的抽象表征融合为统一特征向量，并利用Conv-LSTM同时捕捉脑电信号中的空间与时间动态模式，最终在AD多阶段分类中达到99.8%的准确率，显著优于现有方法。
关键技术方法包括：使用EEG信号作为输入数据，提取其频谱特征；构建深度学习模型生成高层表征；采用特征融合技术整合多源信息；利用Conv-LSTM网络进行时空建模；使用包含多阶段AD样本的队列进行模型训练与验证。
特征融合与模型架构
研究通过融合传统频谱特征与深度学习特征，构建了更具判别力的特征集，再输入至Conv-LSTM网络中，有效识别与AD相关的脑电模式。
分类性能评估
实验结果表明，所提框架在区分AD不同阶段时准确率高达99.8%，显著优于单一特征或传统机器学习方法，验证了多特征融合的有效性。
泛化能力分析
模型在独立测试集上仍保持高精度，说明其具有良好的泛化性能，适用于临床多种场景。
研究结论表明，该AI驱动框架不仅提升了AD的EEG诊断准确性，还为其他神经退行性疾病的早期筛查提供了技术借鉴。其融合时空分析思路，弥补了传统方法在特征提取与模式识别方面的不足，具有较强的临床转化潜力。未来，可进一步扩大样本规模并融入多模态数据，以推动智能辅助诊断系统的实际应用。
