EENet-RLA：一种基于脑电图（EEG）信号的可解释预测学习框架，用于阿尔茨海默病分类

阿尔茨海默病电encephalography诊断方法研究采用EENet-RLA框架整合动力学理论与深度学习，通过嵌入熵量化通道间非线性交互，结合随机种子和最小连接阈值实现因果通道筛选，利用ResNet和LSTM分别提取空间与时间特征，经多头注意力机制融合，在BrainLat数据集上达到98.54%的段级准确率和个体级完美性能，验证了因果特征选择在小样本中的可行性及扩展潜力。

　　

摘要

阿尔茨海默病（AD）是一种常见的神经退行性疾病，影响着全球数百万人。脑电图（EEG）是一种无创、经济且安全的诊断工具，被广泛用于检测神经系统疾病。现有的基于EEG的AD诊断分类方法存在局限性，尤其是在充分考虑电极通道之间的因果关系和实现最佳特征选择方面。因此，需要开发出高度可解释的特征筛选机制。本研究提出了EENet-RLA框架，该框架将动态系统理论与深度学习相结合用于AD分类，并在BrainLat EEG数据集上进行了验证。该框架分为两个阶段：特征提取和EEG分类，其中深度学习架构主要负责特征映射和表示提取。其核心方法论贡献在于基于嵌入熵（EE）的因果稳定性驱动的EEG通道选择策略，该策略能够量化EEG通道之间的非线性方向性相互作用。该策略结合了自助重采样、多个随机种子和最小连通性阈值，在样本量有限的情况下识别出可重复且信息丰富的通道。在分类过程中，空间和时间EEG特征分别通过ResNet和LSTM提取，然后通过多头注意力机制融合以捕捉具有区分性的模式。所提出的方法在段级分类上的准确率达到98.54%，在个体级分类上表现完美，证明了在样本量较小的情况下，基于因果关系的特征选择具有显著的区分能力。该方法在保证高准确性的同时，简化了分析流程，并证明了基于因果关系的EEG通道选择在AD特征描述中的可行性，也有潜力应用于研究其他具有类似信号特征的神经系统疾病。