《Engineering Applications of Artificial Intelligence》：Enhancing transparent diagnosis of cognitive impairments through advanced electroencephalography classification and explainable artificial intelligence techniques
编辑推荐：
睡眠障碍的EEG信号处理与可解释AI模型构建：基于OpenNeuro数据集，提出EARSA框架通过频谱分析去除伪影并保留脑电特征，结合MLP/CNN/RNN深度学习模型实现失眠、OSA等六类睡眠障碍的分类，应用SHAP和LIME方法提升模型可解释性，并通过ANOVA等统计检验验证有效性，为临床透明化诊断提供支持。
V. 乌玛·拉尼 | R. 卡拉德维 | 沙姆穆加桑达拉姆·哈里哈兰 | D. 拉马林加姆
印度泰米尔纳德邦金奈萨维塔工程学院计算机科学与工程系
摘要
睡眠对认知和心理健康至关重要，睡眠障碍可能导致精神疾病甚至神经退行性疾病。脑电图（EEG）是一种流行的无创技术，用于记录人类大脑活动，并早期检测和分类认知障碍。由于EEG信号处理的复杂性，本研究提供了一个从数据采集到分类解释的完整框架。最初，我们从OpenNeuro存储库中收集了一个EEG数据集，其中包含了大多数与睡眠障碍相关的样本。我们提出了EEG抗干扰频谱分析（EARSA）框架，以在保留与脑电波相关频率的同时去除噪声和伪迹。深度学习（DL）模型被用来将EEG信号分类为六种不同的睡眠障碍：失眠、昼夜节律障碍、嗜睡症、阻塞性睡眠呼吸暂停（OSA）、不安腿综合征（RLS）和睡眠异常行为。通过使用可解释的人工智能（XAI）模型（如LIME（局部可解释模型-不可知解释）和SHAP（Shapley加性解释），本研究提高了透明度。根据实验结果，结合MLP（多层感知器）、CNN（卷积神经网络）和RNN（循环神经网络）的EARSA模型优于其他DL模型。我们进行了事后方差分析（ANOVA）、Tukey检验、Nemenyi检验和Friedman检验来统计验证DL模型的有效性。结果表明，将稳健的EEG分类与可解释框架相结合，不仅提高了诊断准确性，还为心理健康评估建立了标准。
引言
现代生活方式的问题，如孤独感、工作压力增加以及核心家庭结构的转变，都在全球范围内导致心理健康和精神健康问题的增加。与年龄相关的认知问题也与预期寿命的延长有关（Moitra等人，2023年）。然而，目前可用的心理健康专业人员和基础设施仍然不足，远程医疗支持仍处于早期阶段。这种差距阻碍了有效的治疗和早期诊断，特别是在服务不足的社区中。为了应对这一日益严重的问题，政府在制定政策时必须优先考虑心理健康，并为培训计划、远程医疗扩展和基础设施改进提供足够的资金（Gupta和Sagar，2022年）。根据世界卫生组织的数据，2019年全球约有9.7亿人患有精神疾病，其中焦虑和抑郁最为常见。此外，精神疾病占全球每年残疾案例的六分之一。这些数字凸显了准确和透明诊断工具的迫切需求。
认知睡眠障碍包括广泛的神经和精神疾病，如失眠、阿尔茨海默病、痴呆症、癫痫、注意力缺陷/多动障碍和抑郁（Babiloni等人，2025年）。睡眠相关障碍非常重要，因为睡眠是认知健康的基本生理功能。睡眠障碍包括OSA、嗜睡症、RLS、失眠、睡眠异常行为（包括梦游和夜惊）以及昼夜节律障碍（如延迟睡眠相位综合征）（Halal El和Nunes，2026年）。长期的睡眠中断会损害大脑功能，导致情绪障碍并加剧认知衰退。由于不规律的睡眠模式通常是多种认知和系统障碍的根本原因，因此解决睡眠健康问题至关重要。必须优先考虑预防和干预措施。
技术进步改变了认知和睡眠障碍的预防、诊断和治疗方式。虽然没有特定的血液检测方法来识别这些障碍，但许多无创方法显示出前景。活动记录仪、脑电图（EEG）、多导睡眠图（PSG）、眼电图（EOG）、肌电图（EMG）和认知测试都是评估神经和睡眠障碍的常用方法（Jain和Ganesan，2024年）。在家中，可穿戴技术（如LANMAO睡眠记录仪）可以提供准确的EEG记录和自动睡眠分期，成为传统PSG的可行替代方案（Zambotti等人，2024年）。这些设备通过监测身体运动、肌肉张力、眼球运动和大脑活动等生理信号来收集详细数据。在线服务和远程监控的结合，特别是在专业护理资源有限的地区，有助于早期检测和持续管理。然而，这些无创技术也存在一些局限性。无创方法检测认知障碍的成本较高、不易扩展且需要专家操作。为了自动化认知障碍的早期检测，人们正在开发机器学习（ML）和DL模型。这些模型自动化并改进了认知障碍的个性化检测，然后部署在可穿戴设备上进行实时监控。长期以来，EEG信号分类一直使用传统的ML模型进行（Pawan和Dhiman，2023年）。然而，这些模型通常需要大量的手动特征工程和专家驱动的预处理，并且可能难以捕捉EEG数据中复杂的空间-时间相关性。由于它们依赖于手动生成的特征（如功率谱密度或熵测量），支持向量机、决策树和K最近邻等模型可能会忽略与神经或睡眠障碍相关的重要但微妙的模式。相比之下，DL模型能够通过自动从原始或轻度预处理的EEG信号中学习层次化表示，有效捕捉非线性、多通道和时间依赖的动态。这种能力对于理解定义认知障碍的大脑活动模式至关重要。像CNN、LSTM和注意力机制这样的深度学习模型通过消除对人工特征创建的需求，实现了端到端的学习，从而提高了分类准确性、可扩展性和跨数据集的稳健性（Wang等人，2026年）。
几种DL和混合架构在睡眠障碍和基于EEG的认知障碍分类方面表现出令人印象深刻的准确性；然而，它们固有的“黑箱”特性在临床环境中带来了重大挑战。由于这些模型往往难以解释，临床医生很难评估或接受AI系统的判断，特别是在关键医疗诊断中。在这种情况下，XAI通过提高DL预测的透明度、责任性和可解释性变得至关重要。XAI通过强调对特定诊断最有贡献的特征、时间段或频率带，发挥了重要作用，使模型输出与临床显著模式保持一致（Shi等人，2026年）。
国防高级研究计划局（Gunning，2017年）首次引入了XAI，它通过允许用户理解决策过程，将黑箱模型转变为白箱系统。XAI技术大致分为两类：数据驱动型和知识驱动型。复杂模型需要事后方法，如LIME、SHAP、类激活映射（CAM）和逐层相关性传播，而线性回归等内在模型则是自解释的（Fiani等人，2026年）。它们的解释基于规则、注意力、自动编码器和树结构，提供了全局、局部和实例级别的洞察。表1总结了各种XAI方法及其目的。
少量研究利用XAI方法来提高ML和DL模型的可解释性。大多数模型专注于提高系统的准确性。本研究侧重于使用基于EEG信号的DL模型来检测睡眠障碍。
本研究的主要贡献包括：
i.提出了EARSA，一种抗干扰的EEG处理流程，用于提取纯净的脑电波特征。
ii.与传统的滤波器（如陷波滤波器、Savitzky-Golay滤波器、小波滤波器和集合经验模态分解（EEMD）相比，获得了更高的信号保真度和更低的RMSE。
iii.分析了深度学习模型在分类认知疾病（即昼夜节律障碍、失眠、OSA、RLS、嗜睡症和睡眠异常行为）方面的预测能力。
iv.进行了事后统计分析（ANOVA、Tukey检验、HSD检验、Friedman检验和Nemenyi检验），以评估DL模型的统计显著性。
v.应用XAI技术（SHAP和LIME）通过解释关键的EEG特征来增强临床信任度和透明度。
本文的其余部分安排如下：第2节讨论了基于EEG信号的睡眠障碍相关研究，第3节介绍了所提出的方法论，第4节详细阐述了统计分析和结果以及研究的局限性。第5节总结了本研究及其未来方向。
相关研究
睡眠相关健康问题的诊断和治疗在很大程度上依赖于睡眠分期和障碍分类。为了提高自动睡眠分期分类的精确度和有效性，研究人员开发了多种ML和DL方法。本节讨论了一些最近关于睡眠障碍的研究。
提出的方法论
所提出的用于基于EEG的神经和睡眠障碍分类的端到端框架包括以下工作流程：数据收集、EARSA模型进行预处理、基于频率的EEG频段提取（Alpha、Beta、Gamma、Delta和Theta），以及DL模型训练。为了提高可解释性和临床理解，深度学习模型分类后使用XAI方法进行分析。在这种系统化的EEG分析方法中，诊断精度得到了最大化。
结果与讨论
实验在Python环境中使用Visual Studio Code和Jupyter Notebook以及Python 3.10进行。本研究使用numpy和pandas处理数据，scipy进行数字信号处理（滤波器和Welch方法），scikit-learn进行ICA、Z-score标准化和功率带可视化，imblearn包进行数据平衡，TensorFlow进行DL训练和分类。
结论
本研究讨论了基于EEG的深度学习框架，用于检测和分类睡眠相关的认知障碍。本研究使用EARSA流程去除脑电波信号中的噪声。在去除伪迹和预处理后，EARSA使用Welch功率谱密度方法提取特征。EEG信号被分解为标准频率带（Delta、Theta、Alpha、Beta、Gamma），以识别不同的认知状态和睡眠障碍。DL模型被训练来识别多种
CRediT作者贡献声明
V. 乌玛·拉尼：撰写原始稿件、项目管理、方法论设计、数据整理、概念构思。R. 卡拉德维：撰写原始稿件、项目管理、方法论设计、调查、正式分析。沙姆穆加桑达拉姆·哈里哈兰：撰写原始稿件、监督、项目管理。D. 拉马林加姆：可视化处理、验证、调查、正式分析、数据整理。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
我们感谢审稿人的宝贵意见和建议，这些帮助我们改进了论文。
