主要作者与发表信息
本研究由Zipeng Li、Xin Li、Zhongjie Qu、Rui Su、Bowen Yin及通讯作者Liyong Yin等人完成，作者单位包括秦皇岛市第一医院等机构。该论文发表于 *Journal of Neuroengineering and Rehabilitation*，2026年第23卷，文章编号190，DOI为10.1186/s12984-026-01980-1。
学术背景与研究目的
阿尔茨海默病（Alzheimer’s disease，AD）及其临床前期阶段轻度认知障碍（mild cognitive impairment，MCI）的早期诊断始终是神经科学领域面临的重大挑战。传统脑电图（electroencephalography，EEG）微状态（microstate）时间特征在诊断效能上存在局限，而深度学习模型普遍缺乏可解释性，这两方面问题严重制约了可靠的临床辅助诊断工具的开发。脑电微状态是指在毫秒尺度上观察到的瞬时稳定头皮电位拓扑构型，反映了大脑大规模功能网络的快速切换，是解析脑网络动态的重要功能单元。既往研究表明，传统的微状态时间参数在MCI与AD人群中存在特征性改变，但基于这些参数的模型分类准确率仅约43.6%至72%，难以满足临床需求。
为突破这一瓶颈，研究者将关注点转向了微状态片段中蕴含的频率域信息。已有证据提示alpha频段可能是微状态动力学的关键振荡基础，theta及低alpha频段的功率变化与认知状态密切相关。然而，现有频率域分析方法仍在精细频谱特征提取方面存在不足，且深度学习模型缺乏鲁棒的可解释性框架。本研究旨在探索EEG微状态的频率域信息，构建一个可解释的深度学习框架，以提升AD与MCI的早期诊断性能并揭示其背后的神经机制。
研究流程与实验方法
本研究纳入了30名健康对照（healthy controls，HC）、29名MCI患者及29名AD患者。EEG数据通过16通道数字脑电系统采集，电极布局遵循国际10–20系统，采样率为1000 Hz，受试者在闭眼静息状态下进行5分钟记录。此外，研究还使用了一个包含36名AD、23名额颞叶痴呆及29名HC的公开数据集进行外部验证。
预处理阶段严格遵循微状态分析标准流程：先进行平均参考重参考，再经1–40 Hz四阶巴特沃斯带通滤波，降采样至256 Hz；随后通过扩展Infomax算法进行独立成分分析（independent component analysis，ICA），结合ICLabel插件自动分类与人工视觉检查剔除眼动、心电和肌电伪迹；最终从每位受试者连续记录中手动提取100秒伪迹最少且生理状态稳定的静息态数据段。
微状态提取过程首先计算全局场功率（global field power，GFP），随机选取1000个GFP峰值，最小峰间隔设为10 ms，并剔除超过两个标准差的异常峰值。随后采用改良k均值聚类算法对三组被试进行跨组地形图聚类，聚类过程重复50次，每次最多1000次迭代，最终确定五个微状态类别（A至E）。其中A至D为经典微状态类型，E为显示左右分化的非传统微状态。五分类方案的全局解释方差显著高于四分类方案。将所得模板回配至全部EEG数据，剔除持续时间小于30 ms的微状态片段，得到连续的微状态序列。
频率域分析是本研究的核心创新环节。传统经验模态分解（empirical mode decomposition，EMD）仅适用于单通道信号，在处理多通道EEG时存在尺度错位和通道间相关性丢失的问题。本研究采用多元经验模态分解（multivariate empirical mode decomposition，MEMD），通过在多维空间中沿多个方向向量投影信号并联合检测极值，实现了多通道信号的协调分解。为缓解模式混叠，还引入了噪声辅助策略。经过MEMD分解后，移除主导频率高于40 Hz或能量贡献低于总能量1%的本征模态函数（intrinsic mode functions，IMFs），平均保留8至10个IMF进行后续分析。随后对每个IMF应用希尔伯特–黄变换（Hilbert–Huang transform，HHT），通过希尔伯特变换构建解析信号，提取瞬时频率与瞬时振幅，进而获取希尔伯特谱与边际谱。针对每个微状态类别和每个脑区，研究者将所有属于该类别的时间片段拼接，构建微状态特异性希尔伯特谱（MS-Hilbert spectrum），并按国际10–20系统将头皮划分为额叶、中央、顶叶、颞叶及枕叶五个功能区。
建模阶段，研究者将各脑区的MS-Hilbert谱重构为224×224×3的RGB图像，输入到五分支卷积神经网络中。每个分支对应一个脑区，结构相同但参数独立。单个分支包含五层卷积-池化结构，卷积核尺寸从5×5递减至2×2，激活函数为ReLU，池化为2×2最大池化。五个分支各输出1024维特征向量，拼接为5120维全局表征，再经两个全连接层降至16维，最后由softmax输出三分类概率。模型采用标签平滑交叉熵损失函数，Adam优化器，初始学习率5×10⁻⁴，L2权重衰减系数10⁻³，每5个epoch学习率下降50%，共训练80个epoch，通过十折交叉验证评估稳定性。
可解释性分析采用SHAP（SHapley Additive exPlanations）与Grad-CAM（gradient-weighted class activation mapping）相结合的双维度框架。SHAP基于合作博弈论中的Shapley值概念，量化输入层每个时频点对模型预测的贡献；Grad-CAM通过计算目标类别对最后一层卷积特征图的梯度生成空间显著性热图，揭示模型内部关注区域。
主要研究结果
微状态边际谱分析显示，所有组和所有微状态中，delta频段功率最高，gamma频段功率最低。在HC组中，四个经典微状态（A–D）的边际谱高度重叠，而微状态E显著低于其他四类。随着认知功能下降，组内微状态间差异增大：MCI组中类A最高、类E最低但差异相对较小；AD组中类B和类D显著高于其他三类。
组间比较揭示了更为精细的频谱改变模式。在微状态B、D和E中，AD组在多数频段均显著高于MCI组和HC组。尤为重要的是，在HC与MCI的比较中，除微状态E外，仅微状态D在gamma频段存在显著差异——HC组该频段边际谱功率显著高于MCI组，这提示gamma同步化活动的早期减弱可能集中于与高级认知控制相关的背侧注意网络。所有报告的显著性差异统计效能均大于0.8，结果稳健可信。
模型评估方面，基于微状态频谱特征的五分支CNN在私有数据集十折交叉验证中达到了92.3%±1.3%的准确率与F1分数，其中HC识别准确率为0.927，MCI为0.914，AD为0.933。类别特异性ROC曲线下面积分别为0.988、0.975和0.979。这一表现显著优于基于原始滑动窗口希尔伯特谱的基线模型（准确率85.0%±2.1%）以及其他时频分析方法（连续小波变换77.3%、多锥度法78.1%、功率谱密度77.6%、短时傅里叶变换76.3%）。在公开数据集上，该方法同样取得83.1%±3.0%的准确率，超越同数据集上的其他既有模型（72.2%至80.6%不等）。排除额颞叶痴呆样本后的二分类任务中，模型准确率达93.8%±2.0%。消融实验表明，单脑区模型中枕叶表现最佳（准确率83.7%），但多脑区融合策略显著优于任何单脑区模型，提示AD的神经生理改变涉及多个大规模脑网络的协同功能障碍。
可解释性分析显示，SHAP值排序为枕叶>额叶>颞叶>中央>顶叶，枕叶贡献最大；进一步对枕叶数据按频段分解后，beta频段SHAP值最高，频段重要性排序为beta>theta>alpha>gamma>delta。公开数据集验证呈现出相似趋势。Grad-CAM可视化揭示模型在区分不同组别时表现出具有生理意义的关注模式：HC和AD分类决策主要依赖枕叶beta频段活动，而MCI组则集中在额叶beta频段区域，这与MCI早期额叶功能障碍的广泛报道高度吻合。
结论与研究价值
本研究通过整合微状态频谱分析与可解释深度学习，构建了一个高性能、高可靠性的诊断模型，能够有效区分AD、MCI与HC。研究确认了EEG微状态频率域特征在AD早期诊断中的优越价值，并通过SHAP与Grad-CAM可解释性分析阐明了模型决策的神经科学基础，揭示了枕叶beta节律活动在AD诊断中的关键作用。这一发现不仅为早期AD检测提供了新的生物标志物，也为理解疾病进展中神经网络级联失效机制提供了新的计算视角。在应用层面，该方法为开发客观可靠的AD早期检测工具提供了方法学路径和理论支撑。
研究亮点
本研究的突出创新在于：第一，开发了基于微状态片段的MEMD-HHT频谱提取方法，克服了传统傅里叶变换难以准确表征非平稳非线性EEG信号动态特性的局限，以相对轻量化的模型实现了优异的三分类性能；第二，设计了融合脑区与频段的双维度可解释性框架，将SHAP的输入层特征归因能力与Grad-CAM的内部表征可视化能力相结合，实现了全局与局部层面的互补性解释；第三，识别出枕叶beta频段作为最具判别力的特征，而MCI组表现为额叶beta区的特异性关注模式，这一差异性关注模式为疾病分期提供了潜在的神经电生理依据。研究也存在一定局限，包括数据处理依赖人工评估、外部验证样本量偏小、模型架构创新有限以及MEMD-HHT计算复杂度较高等问题，未来需要在多中心大样本队列中进一步验证。