基于迭代多块框架的高频脑电（EEG）神经疾病检测

为何脑电波对早期诊断至关重要

阿尔茨海默病和帕金森病往往在症状明显出现前多年就已损害大脑，但临床上仍缺乏快速且可靠的早期检测工具。本研究提出了一种新的读取脑电（EEG）信号的方法，重点关注大脑最快的节律。通过对这些噪声较多的信号进行精细清理，并将其输入可解释的人工智能系统，作者展示了有可能以与现有多种方法相当，甚至有时更高的准确度来检测神经系统异常。

聆听最快的脑节律

EEG 从头皮记录神经元群放电引起的微小电压变化。传统上，医生和研究人员更关注较慢的节律，例如α波和θ波。但越来越多的证据表明，高频“伽马”活动（约30赫兹以上）能够揭示疾病的早期迹象，从细微的记忆问题到运动障碍均包括在内。不幸的是，这些快速信号很容易被肌肉抽动、眼睛眨动和电气噪声掩盖。诸如傅里叶变换和小波变换等标准工具在信号随时间相对稳定时效果最好，而这并不适用于现实世界的EEG。因此，高频活动中许多具有临床价值的细节难以提取且易被误判。

清理嘈杂的脑信号

为解决这一问题，作者设计了一个多步骤“管线”，将EEG分析更像是精心工程化的生产线，而非单一的魔法算法。首先，他们采用了希尔伯特–黄变换（Hilbert–Huang transform）与改进的经验模态分解相结合的方法。通俗地说，该方法自动将混乱的信号分解为更符合大脑真实波动的简单构件。随后基于能量和复杂度的低弱性，剔除那些表现为噪声的分量，同时保留伽马范围内的快速振荡。该两阶段滤波显著提高了信噪比，将杂乱的原始波形转变为更清晰的高频脑活动表示，从而更有可能反映真实的神经事件而非杂散伪迹。

寻找最具指示性的模式

信号清理后，框架聚焦于最有信息量的特征。小波包变换将每个EEG分量划分为多个频带，香农熵用于评估每个频带的复杂性和信息含量。那些得分较低——提供更多冗余而非洞见的频带会被舍弃，从而在保持约95%临床相关信息的同时将特征集缩减约60%。关键在于，该系统并不单靠EEG。年龄、性别和病史等临床信息通过典型相关分析（canonical correlation analysis）在数学上与EEG特征对齐。这个融合产生了一个共享空间，使得大脑活动与临床背景之间的细微联系更容易被计算机检测到。

人工智能如何从脑电中学习

融合后的数据由专为时变脑信号构建的深度学习模型进行分析。该架构结合了卷积层（用于在通道和频率上扫描局部模式）与循环层（用于跟踪这些模式随秒级时间的演变）。一种“注意力”机制会为看起来最具诊断价值的时间片段分配更高权重——类似临床医生在记录中重点关注可疑爆发的做法。为避免成为黑盒，系统还包括可解释性工具，如Grad-CAM和积分梯度（integrated gradients）。这些工具生成可视化图谱和评分，突出哪些频率、时间窗口和临床变量对每次预测影响最大。在两个大型公开EEG数据库上的测试中，该框架达到约94%的准确率，灵敏度和特异性均超过92%，优于若干强比较方法。

这对患者可能意味着什么

对非专业读者来说，结论是：这项工作表明，经过精心分阶段设计且可解释的AI系统能够将复杂且嘈杂的EEG记录转化为清晰、有临床意义的见解。通过更好地利用快速脑节律并将其与常规患者信息相结合，该框架能够发现阿尔茨海默病和帕金森病等疾病的早期迹象，同时向医生展示其得出结论的原因。尽管还需要在日常临床和可穿戴EEG数据上进行更多测试，这一方法指向了未来可在床边甚至家庭环境中使用的工具，能够更早地识别神经问题、指导治疗决策，并最终改善数百万有神经退行性疾病风险者的生活质量。

引用: Agrawal, R., Dhule, C., Shukla, G. et al. Iterative multiblock framework for high frequency EEG based neurological disorder detection. Sci Rep 16, 5995 (2026). https://doi.org/10.1038/s41598-026-37126-5

关键词: EEG, 神经疾病, 阿尔茨海默病, 帕金森病, 脑电波