一种结合深度学习与SVM的混合框架：增强的EEG特征工程与基于SHAP的可解释性用于阿尔茨海默病分类

为何脑电波检测可能更早发现痴呆

包括阿尔茨海默病和额颞叶痴呆在内的痴呆症正在全球范围内上升，但现有诊断工具往往成本高、侵入性强或难以频繁复测。本研究探讨能否通过戴上脑电图（EEG）帽进行的简单脑电记录，帮助医生在不同类型的痴呆与健康老化之间进行区分。研究者还着重于让计算机的决策对临床医生可理解，从而不仅追求准确性，也追求透明与可信赖。

无需手术即可“倾听”大脑

EEG记录头皮上的微弱电信号，这些信号来自脑细胞群体同步放电。随着痴呆进展，这些信号会发生变化：较快的节律往往减弱，较慢的节律变强，脑区间的相互通信可能受损。与脑影像或腰穿相比，EEG无创、相对低成本，且可按需重复，这使其成为大规模筛查和常规随访的有吸引力的候选工具，前提是我们能够可靠地解码波形中复杂且嘈杂的模式。

将专家知识与机器学习融合

研究团队设计了一个混合系统，将每个4秒EEG片段的两类信息结合起来。首先，他们提取了神经科学家已知与痴呆相关的“手工”特征，例如不同频带的能量（慢速的δ和θ，较快的α和β）、频谱的不确定性以及左右脑区在α频段的同步性。其次，他们训练了一个紧凑的一维卷积神经网络，从清洗后的信号中自动学习有用的时序模式。这两条特征流被标准化、融合为单一表示，然后被压缩到较少的分量以避免冗余。

谨慎使用有限的患者数据

主数据集由88名成年人的静息态EEG组成——包括阿尔茨海默病患者、额颞叶痴呆患者和认知正常的志愿者——在一致的记录条件下采集。由于受试者数量有限，研究者格外注意避免高估性能。他们按人而不是按单独EEG片段分割数据，确保同一参与者的脑电波不会同时出现在训练和测试集中。在每个训练划分内，他们使用受控过采样平衡类别、归一化特征，并调优模型参数，例如保留多少主成分以及对最终分类器施加多大强度的正则化。这样的嵌套评估设计大大降低了“泄露”和过度乐观结果的风险。

高准确率与对模型所见的洞察

在特征融合与压缩之后，最终步骤使用支持向量机（SVM），这是一种经典算法，在特征空间中为各组点画出分离边界。在主数据集上，这个混合流水线对阿尔茨海默病、额颞叶痴呆与正常老化的EEG片段分类正确率约为95%，且三组间表现同样强劲。为了评估方法在新情境下的稳健性，作者还将其在不做重大改动的情况下应用于同一人群在睁眼状态下的脑电，以及一个使用不同设备和人口统计学特征采集的完全独立数据集。尽管性能自然有所下降，系统仍显示出有意义的区分能力，表明它捕捉的是与疾病相关的模式，而非单一研究的特异性噪声。

为临床打开黑箱

除了准确性，工作的一项核心目标是可解释性：医生需要知道算法为何倾向于某一诊断。研究者使用了一种称为SHAP的方法来估计每个特征在多大程度上“推动”模型朝向或远离某个类别。通过将这些贡献按简单单元（例如特定频带和脑区）进行汇总，他们生成了类似传统EEG报告的摘要。推动阿尔茨海默病或额颞叶痴呆判定的模式包括额叶区域更强的慢θ活动、后部区域更弱的α节律，以及双半球间α频段协调性的下降，这些都与几十年的临床EEG发现相吻合。

对患者与临床的意义

从实用角度看，本研究表明经过精心设计的EEG系统可以以较高的可靠性，在两种主要痴呆类型之间以及与健康老化之间进行区分，并以熟悉的生理学术语解释其推理过程。如果在更大规模、多中心的队列中得到验证，这类工具可以支持更早、更精确的诊断，使用负担得起的设备，并可集成到对临床友好的仪表盘中，显示风险估计及驱动这些估计的脑电特征。该方法并非要取代临床医生，而是作为第二双“眼睛”——强调那些可能提示需要进一步检查或更密切随访的细微脑电活动变化。

引用: Akbar, F., Alkhrijah, Y., Usman, S.M. et al. A deep-SVM hybrid framework with enhanced EEG feature engineering and SHAP-based explainability for Alzheimer’s classification. Sci Rep 16, 13001 (2026). https://doi.org/10.1038/s41598-026-43431-w

关键词: EEG 失智症 诊断, 阿尔茨海默病, 额颞叶痴呆, 可解释人工智能, 脑电波