基于特征融合方法的輕微認知衰退靜息態腦電數據自動檢測技術研究

摘要：輕微認知衰退是阿爾茨海默病的早期階段，而利用腦電信號進行輕微認知衰退的特征提取與分類是診斷輕微認知衰退的重要方法。在基于腦電人工智能輕微認知衰退自動檢測技術中，現有研究只提取腦電波信號中的某一個特征或簡單地拼接多個特征，這會導致這些方法并不能較好地考慮特征之間的相關性，并且會引發維度災難的問題；提出了一種基于卷積神經網絡的輕微認知衰退靜息態腦電數據自動檢測算法，通過提取腦電的功率譜及腦網絡特征，并通過矩陣運算的方式對這兩種特征進行融合，利用卷積神經網絡對融合后的特征進行分類，該方法在上海某醫院采集的數據集上獲得較高的準確率。此外，通過輸入特征集的不同子集，該方法找到了對輕微認知衰退最有貢獻的幾組特征，從而具有一定的可解釋性。在本數據集上證明了功率腦網絡對于輕微認知衰退自動診斷的優勢。

關鍵詞：早期認知障礙；腦電數據；卷積神經網絡；特征提取；特征融合

中圖分類號：TP183文獻標志碼：A

文章編號：1001-3695（2022）04-030-1137-06

doi：10.19734/j.issn.1001-3695.2021.09.0417

Automatic detection technology of resting state EEG data for mild cognitive decline

based on convolutional neural network

Duan Zijing1a，Zhao Binglei1b，Li Chunbo1b，2，Guo Wei1a

（1.a.School of Electronic Information amp; Electrical Engineering，b.Institute of Psychological amp; Behavioral Science，Shanghai Jiao Tong University，Shanghai 200240，China；2.Shanghai Mental Health Center，Shanghai Jiao Tong University，Shanghai 200030，China）

Abstract：Mild cognitive decline is the early stage of Alzheimer’s disease，and the feature extraction and classification of mild cognitive decline using EEG signals is an important method for diagnosing mild cognitive decline.In the automatic detection technology of mild cognitive decline based on electroencephalogram artificial intelligence，the existing research only extracted a certain feature in the electroencephalogram signal or simply concatenates multiple features，which caused these methods to fail to well consider the correlation between different features and it would cause the problem of dimensional disaster.This paper proposed a convolutional neural network based automatic detection algorithm for resting state electroencephalogram data of mild cognitive decline.By extracting the power spectrum and brain network features of the electroencephalogram，it fused the two features by matrix operation，and designed a convolutional neural network to classify the fused features.This method achieves a high accuracy rate on the data set collected by a hospital in Shanghai.In addition，by inputting different subsets of the feature set，this method found the few groups of features that contribute the most to mild cognitive decline，thereby it also had a certain interpretability.Experiments on the dataset of this paper，it proves the advantages of the power brain network for the automatic diagnosis of mild cognitive decline.

Key words：mild cognitive impairment；electroencephalogram；convolutional neural network； feature extraction； feature fusion

0引言

認知能力出現緩慢下降是老年人身體機能老化的表現之一。但近年來，部分老人的認知能力出現不正常地衰退，這會對老年人的生活帶來困難，并且病理型的認知衰退對于老年人是不可逆且逐漸加重的，繼而出現早期認知衰退（mild cognitive impairment，MCI）甚至以阿爾茲海默癥（Alzheimer’s disease，AD）為代表的一些具體病癥，最終演變為癡呆。目前尚無被FDA（Food and Drug Administration）認可的治療認知能力衰退的措施， 但及時發現并用醫療手段進行干預能有效降低老年人認知能力下降的速度［1］。因此，及時而準確地預測老年人的不正常認知衰退是有意義的。但由于認知衰退在早期時程度較輕，癥狀不明顯，所以正確地檢測早期的輕微認知衰退是有難度的。

目前，對于認知衰退較為準確的診斷主要通過醫學手段。Harrison等人［2］讓患者完成一份精神狀態檢查表，并讓心理學醫師對檢查表的結果進行評估，這種方法帶有一定的主觀性，其診斷結果依賴于醫師的判斷，因此會造成一定程度上的誤診。Zetterberg等人［3］抽取并對患者的腦脊液進行檢測，這種方法對患者有一定傷害，并且診斷需要化學試劑進行化驗，因此這種檢測手段需要較高成本。Mueller等人［4］通過神經影像學的方法進行診斷，目前這種方法主要依靠患者的功能核磁共振（functional magnetic resonance imaging，fMRI）的數據進行診斷，使用fMRI進行診斷能得到較高的準確率，但其檢測成本仍然較高。

腦電波（electroencephalogram，EEG）是一種用電生理指標記錄大腦活動的方法，人體的大腦相當于一個電池，從大腦內部到大腦皮層之間存在電壓，腦電波即大腦皮層各個位置的電壓信息。腦電波的時間分辨率高、靈敏度高。與fMRI相比，EEG信號的采集操作簡單、成本低、采集設備便攜，因此利用EEG進行診斷有一定優勢。

目前，已有研究將EEG應用于病理型認知衰退的診斷。文獻［5］重點研究了帕金森病輕度認知障礙（PD-MCI）和遺忘型輕度認知障礙（aMCI）視覺相關事件的任務態腦電中的功率譜密度、相位鎖相值等特征，并比較了這兩種MCI之間及其正常對照在這些特征上的差異；文獻［6］研究了輕度認知障礙患者的語言功能網絡的損傷并比較了其與正常對照者的差異。近年來，相關研究充分利用深度學習的知識，利用EEG的所有特征進行診斷；Kim等人［7］利用神經網絡自動提取EEG特征并分類；文獻［8］利用卷積神經網絡（convolutional neural network，CNN）直接在EEG上自動提取特征并進行分類；文獻［9］將腦電的功率譜密度繪制成頻譜圖的形式，將問題轉換為基于CNN的圖片分類問題；文獻［10］對腦電信號先進行一次轉換，即先將腦電信號轉換成多光譜圖像，再用CNN進行分類。直接從EEG原始數據提取特征，模型不具備可解釋性，無法從醫學上解釋病理型認知衰退患者的臨床表現，不利于從根源上研究認知衰退的內在機理。將腦電數據進行變換，例如將功率譜密度轉換成頻譜圖雖然特征的維度增加了，但是總的信息量還是原來功率譜密度中的一維特征信息，這樣特征集中就存在較多的冗余特征，其不僅對于模型的診斷精度沒有較大提升，還會大大增加模型的計算量，故其模型的準確率較傳統做法并沒有較大提升。傳統方法一般為：先提取EEG中的某些特征，再利用這些特征進行診斷，例如Betrouni等人［11］提取患者和正常對照者EEG的各頻段功率譜密度作為特征，并利用支持向量機（SVM）進行分類。McBride等人［12］將認知衰退的患者與正常對照者的轉移熵峰值作為特征，利用SVM對患者和正常對照者進行分類。上述研究提取EEG的某些特征進行分類，只重點研究了EEG的某一類特征，忽視了EEG不同指標的相關性，從而并不能較好地、綜合性地利用EEG多個方面的特征。基于腦電的特征融合（feature fusion）方法能使得不同的特征能夠同時參與認知衰退診斷。目前最常見的方法是拼接法，即將多個特征向量進行拼接形成一個新的特征向量。例如文獻［13］將腦電信號的連續小波變換（continuous wavelet transform，CWT）特征和EEG的雙譜特征進行拼接實現兩類特征的融合，并證明使用融合后的特征較只使用某一組特征能得到更高的準確率。這種特征融合方法操作簡單，計算容易，但存在兩個問題：a）對特征之間的關聯考慮不夠，即融合后特征的每一維只包含這類特征對應的信息；b）融合之后會增加特征的數量，當特征數量遠大于樣本量，可能會引發維度災難的問題，從而易造成過擬合的問題。

針對前文強調的特征相關性以及可解釋性問題，本文提出了一種將功率譜密度與腦網絡特征相結合的方法進行認知衰退診斷，本文先對這兩種特征進行變換，并用矩陣運算的方式實現特征融合。通過實驗證明，該方法在一定程度上具備對輕微認知衰退患者的識別能力，比單獨使用這兩組特征或直接對這兩組特征進行拼接的診斷準確率更高。

1輕微認知衰退患者與正常對照者腦電特征的關鍵差異分析及功率腦網絡的定義

功率譜密度（power spectral density，PSD）和腦功能網絡是靜息態EEG信號的重要指標，功率譜密度反映EEG信號中各電極能量的大小；腦網絡是EEG信號衡量電極間相互關系的量化指標，例如相位鎖相值（phase lock value，PLV）反映不同電極間腦電信號相位的同步性。本章以差別較顯著的beta2（21～30 Hz）頻段為例，分析輕微認知衰退患者與正常人功率譜密度與腦網絡相位鎖相值的差異，并對功率腦網絡加以介紹。

1.1輕微認知衰退患者的beta2頻段功率譜分析

本節展示輕微認知衰退患者與正常對照者在beta2頻段的靜息態功率譜密度的異同。圖1展示了患者（藍色）與正常對照者（紅色，見電子版）各電極的功率譜對比，此地形圖選取頻段為beta2頻段，選用被試的閉眼數據，單位為V2/Hz。PSD的計算通過MNE軟件包完成（MNE-Python 0.22.0）。

從圖1可以看出，與正常對照者相比，患者beta2頻段下的功率譜密度總體來看較正常被試稍高，功率譜密度的平均功率、最大值、最小值、中位數被用于分析，以進一步觀察患者和正常對照者在beta2頻段下功率譜密度的差異。如圖2所示，在beta2頻段下，患者的全腦平均功率（p=0.008）、最大功率（p=0.037）、最小功率（p=0.009）及功率的中位數（p=0.016）均顯著高于正常對照組，其中患者的全腦平均功率相比于正常對照者高約22.9%，這些結果為利用功率譜特征進行輕微認知衰退診斷提供了一定的理論支持。

1.2輕微認知衰退患者的beta2頻段腦網絡PLV指標分析

本節探究輕微認知衰退患者與正常人在beta2頻段的腦網絡PLV指標的異同。腦網絡是電極間關系的一種度量，形式上是一個方陣，矩陣每個元素的取值為其行和列對應電極間腦網絡的指標。腦網絡的可視化一般用圈狀圖實現，圈狀圖形式上是一段完整圓弧，圓弧被等分為64段，分別代表64個不同的電極，任意兩電極之間可以連線，線的亮度刻畫腦網絡值的大小。圖2展示了本文所用數據集中患者beta2頻段的組平均電極間相位鎖相值以及正常對照者beta2頻段的組平均電極間相位鎖相值。PLV的計算以及圈狀圖的繪制均可通過MNE軟件包完成（MNE-Python 0.22.0）。

圖3展示了患者以及正常對照者beta2頻段閉眼數據對應的PLV值，圖中畫出了PLV值大于0.94的所有電極組合。從圖中可以看出，輕微認知衰退患者與正常對照者的beta2頻段下PLV值存在差異，且較為顯著。

1.3輕微認知衰退患者的beta2頻段的功率腦網絡分析

本文提出了一個將腦網絡和功率譜密度結合的量化指標，本文稱其為功率腦網絡。

功率腦網絡的形式與腦網絡完全一致，均為一張尺寸為電極數目的方陣。不同的是，對于功率腦網絡的每一列，其每個元素的數值都是腦網絡相同位置元素的值與該列對應電極功率譜密度的乘積，即功率腦網絡第i行第j列元素的值為i、j兩電極間腦網絡的數值與第j個電極的功率譜密度的值的乘積。對于功率腦網絡的每一列而言，若該列元素的值較其他列大，表示這一列對應電極的功率譜密度較大；若這一列中的某些元素值較該列其他元素大，表示這些元素所在的行對應的電極較其他電極的腦網絡指標大。功率腦網絡單位為V2/Hz。因此，從功率腦網絡中既能得到電極功率譜密度信息，又能得到電極的腦網絡信息。圖4展示了睜眼狀態下患者于正常被試beta2頻段下由PLV腦網絡得到的功率腦網絡，圖中單位為10-12 V2/Hz，圖中畫出了功率腦網絡值數值大于6×10-13 V2/Hz的所有電極組合。

從圖4可以看出，與正常對照者相比，患者組的功率腦網絡數值上和正常被試組有顯著差異，表現為患者組功率腦網絡的數值整體上大于正常被試的功率腦網絡數值。由此可見，輕微認知衰退患者和正常被試的某些顯著差異可以通過觀察功率腦網絡看出，且功率腦網絡中顯示出的這些差異較功率譜密度或腦網絡更為顯著，因此，該指標可作為一個輔助量表在醫學診斷中使用。

2功率腦網絡的計算

2.1功率譜特征提取

EEG信號屬于隨機信號，因此對其進行頻域分析是有意義的，EEG信號的功率譜密度能夠反映EEG信號在不同頻段、不同電極上的能量分布，故本文計算EEG信號的功率譜密度并以此為特征。本文使用Welch法［14］提取EEG信號的功率譜特征。

對于某電極的EEG信號x（n），先將x（n）分成L個小片段，每個小片段有M個采樣點，則第i個小片段xi（n）可記為

xi（n）=x（n+iM-M）0≤n≤M，1≤i≤L（1）

之后對每段數據加窗，這里使用長度為512的矩形窗w（n），加窗后得到每一段數據的周期圖Ii（ω），其中第i段（i=1，2，…，M-1）周期圖為

Ii（ω）=1U|∑M-1n=0xi（n）w（n）e-jωn|2（2）

其中：w（n）=10≤n≤511

0otherwise（3）

U=1M∑M-1n=0w2（n）（4）

功率譜密度為

Pxx（ejω）=1L∑Li=1Ii（ω）（5）

本文使用該方法提取EEG信號中全64電極的delta（1～4 Hz）、theta（4～8 Hz）、alpha1（8～10.5 Hz）、alpha2（10.5～13 Hz）、beta1（13～21 Hz）、beta2（21～30 Hz）六頻段的功率譜特征，被試的睜眼數據和閉眼數據可提取不同的功率譜密度特征。對于每個頻段的睜眼數據或閉眼數據，可以提取每個電極（64個電極）的功率譜密度，其以集合的形式表示為P={p1，p2，…，p64}，其中pi表示第i個電極對應的功率譜密度數值。為了后續計算方便，在此將這64個電極對應的功率改寫成矩陣形式，并將這64個電極的功率譜密度的數值按照電極編號順序放置在矩陣的主對角線上，即

P′=diag（p1，p2，…，p64）=p10…0

0p2…0

0

00…p64（6）

由于本文區分腦電數據中的六個不同頻段，以及兩個不同的狀態（睜眼、閉眼），最終共計得到12個不同的功率譜密度矩陣。

2.2腦網絡特征提取

腦網絡也是EEG信號分析的常用指標，腦網絡定量地表示大腦各個功能區域之間的相互聯系。腦網絡可以看成是一張無向全連通圖，圖中的點即為構成EEG信號中的各個電極，因此腦網絡可以反映EEG數據中各個電極之間的相互關系。本文計算了腦網絡指標中的相關系數（coherence，COH）、相位鎖相值（PLV）等兩個腦網絡的不同度量指標作為特征。COH描述了兩電極在某頻率范圍內功率譜上的相關程度；PLV描述了兩電極在某頻率范圍內相位的同步性。COH和PLV的計算為

cij=|Pij（f）|2Pii（f）Pjj（f）（7）

plvij=|1N∑Nk=1ej（i（tk）-j（tk））|（8）

其中：cij指第i個電極和第j個電極之間的COH數值；plvij指第i個電極和第j個電極之間的PLV數值；Pii（f）指第i個電極的功率譜密度；Pjj（f）指第j個電極的功率譜密度；Pij（f）指第i個電極和第j個電極的互功率譜密度；N指腦電中采樣點的數量；i（tk）j（tk）分別代表腦電原始信號中第i個電極和第j個電極對應的數據。完整的腦網絡矩陣為電極個數×電極個數的方陣，矩陣中每個元素的值都在0和1之間，COH、PLV分別代表兩種類型的腦網絡矩陣，該矩陣中的每一個元素，即cij和plvij分別依據式（7）（8）兩個公式計算得到。

COH=c11c12…c1n

c21c22…c2n

cn1cn2…cnn，PLV=plv11plv12…plv1n

plv21plv22…plv2n

plvn1plvn2…plvnn

由于腦網絡是電極—電極之間的關系度量，那么電極i與電極j之間腦網絡數值等同于電極j與電極i之間腦網絡數值，這個性質表現在腦網絡矩陣上，表現為腦網絡矩陣是對稱矩陣；此外，電極i與電極i之間腦網絡相當于某個電極自己與自己之間的關系，這種情況下認為這兩個電極之間完全相干，并且相位完全同步，這種性質表現在腦網絡矩陣上，即主對角線上的值全為1，依據這兩個性質，可以對COH和PLV的兩種腦網絡矩陣進行化簡，即

COH=1c12…c1n

c121…c2n

c1nc2n…1（9）

PLV=1plv12…plv1n

plv121…plv2n

plv1nplv2n…1（10）

本文提取腦電數據中所有電極（全64電極）的delta（1～4 Hz）、theta（4～8 Hz）、alpha1（8～10.5 Hz）、alpha2（10.5～13 Hz）、beta1（13～21 Hz）、beta2（21～30 Hz）共六個頻率范圍的腦網絡特征，睜眼數據和閉眼數據分別可以得到一組不同的功率譜密度特征，并且考慮了腦網絡的兩種不同類型，故每個被試的腦電數據對應了24個不同的腦網絡矩陣。

2.3功率譜特征與腦網絡特征的融合——功率腦網絡

對于同一個頻段的睜眼或者閉眼數據，由2.1及2.2節的介紹，可以得到兩組腦網絡矩陣和一組功率譜密度矩陣，將兩個腦網絡矩陣和功率譜密度矩陣分別進行矩陣乘法運算，得到

COH′=P′×COH=p1p1c12…p1c1n

p2c12p2…p1c2n

pnc1npnc2n…pn（11）

PLV′=P′×PLV=p1p1plv12…p1plv1n

p2plv12p2…p1plv2n

pnplv1npnplv2n…pn（12）

即每個頻段的睜眼或閉眼數據，可以得到兩組不同的功率腦網絡，均為64×64的二維方陣。

可以看出，在功率腦網絡中，主對角線為相應電極功率譜密度的數值，因此，功率腦網絡可以還原出功率譜密度的信息，對于其他位置上的元素可以成對分析，即可以將功率腦網絡中關于主對角線對稱的兩個元素進行分組分析，以式（11）中的p1c12、p2c12兩個元素為例，其為原先腦網絡的值分別與腦網絡相關兩電極功率譜密度的乘積，可以看出，這兩個數值既受到這兩個電極腦網絡數值的影響，又受到其各自功率譜密度的影響。一般而言，如果這兩個電極不存在較強的關聯，即腦網絡數值低，那么即便其各自的功率譜密度高，p1c12、p2c12也很低，這就使得功率腦網絡中的這兩個特征數值較小并與其他類似的元素數值差異較小，意味著其不再是重要特征；相反，只有當兩電極間腦網絡數值足夠大，并且至少有一個電極的功率譜密度數值足夠大時，這個元素才會被作為重要特征使用，因為在此時，若患者和對照即使在功率譜密度或腦網絡上有微小的差異，也在數值上有較大的差異，這樣就容易被診斷模型檢測到。

3基于功率腦網絡的輕微認知衰退自動診斷方法

1.3節論述了功率腦網絡可以作為醫生進行輕微認知衰退診斷的依據，為了探究功率腦網絡能否進一步用于輕微認知衰退的自動診斷，本章將設計一個基于功率腦網絡的自動診斷方法，從深度學習的角度實現基于功率腦網絡進行診斷的方法。

3.1總體流程

本文提出的輕微認知衰退診斷方法的總體流程如圖5所示。該方法由以下幾個步驟組成：

a）對數據集中的所有EEG數據進行預處理。

b）使用MNE-Python工具包提取所有預處理好的EEG數據的功率譜特征、腦網絡特征。

c）將功率譜特征改寫成對角矩陣的形式，與腦網絡特征進行矩陣乘法運算，得到功率腦網絡特征。

d）將功率腦網絡特征送入卷積神經網絡進行分類。

3.2分類器設計

由于2.4節得到的功率腦網絡為若干個64×64的方陣的集合，該特征為二維特征，卷積神經網絡能充分提取二維特征中隱含的信息，特別是能夠充分利用特征中的某些元素及其相鄰位置元素的信息［13］。因此，本文也利用卷積神經網絡構造自動診斷模型。模型的輸入為2.3節中功率腦網絡的某一組或全部；輸出為0或1，其中0指該被試健康，1指該被試是患者。整個網絡設計如圖6所示。各層網絡參數如表1所示。圖中C與選用的功率腦網絡種類有關。當只選用一組功率腦網絡時，C=1；使用全部的功率腦網絡時，C=24。

并且，每個卷積層和全連接層之后均使用一個帶泄露修正線性單元（leaky ReLU）作為激活函數。模型的損失函數選用交叉熵損失函數，其值為

L=1N∑Ni=1-［yilog（pi）+（1-yi）log（1-pi）］（13）

其中：yi指被試i的真實患病情況（yi的取值0、1分別指代正常被試、患者）；pi指被試i被神經網絡預測為患者的把握程度。

3.3不同特征融合方法比較

除了本文提出的構造功率腦網絡這一特征級特征融合方法外，目前最常見的特征級特征融合方法是將兩個特征直接拼接。以此為思想，設計了一個卷積神經網絡作為對照，網絡模型如圖7所示，圖中，功率譜特征和腦網絡特征在網絡的隱藏層被拼接到一起以實現特征融合。在這個網絡中，卷積層和池化層的參數如表1所示，即和圖6中的網絡保持一致。損失函數和激活函數與3.2節一致。

4實驗驗證

4.1實驗數據

本次研究的數據來源于上海某醫院的老年社區靜息態腦電數據，靜息態數據包括111名被試5 min的靜息態睜眼及靜息態閉眼兩組腦電數據以及其中79人的簡易智力狀態檢查量表（MMSE）得分值。根據被試的MMSE分數，可將所有被試劃分為20名輕微的認知衰退患者（MMSE得分為24～27）、2名嚴重的認知衰退患者（MMSE得分低于24），以及57名正常對照者（MMSE得分為28～30），由于具有輕微的認知衰退患者數量較少，患者數量與對照數量不均衡，本文選取所有20例輕微的認知衰退患者的數據以及21例正常對照者的數據，即選取MMSE得分為28分、29分、30分正常對照者各7例，并盡可能使對照組的年齡分布與患者組相近。本文所用數據集的患者及對照年齡均在59～87歲且近似服從正態分布，且兩組被試的年齡無顯著差異。數據采集設備使用動態腦電圖儀（BrainAmp，Brainproducts，德國），采樣頻率為1 000 "Hz。采集涉及64通道的腦電圖帽，傳感器按照10-10放置標準。

4.2實驗數據預處理

在EEG源數據中，存在大量工頻干擾、心電、眼電、肌電等噪聲和偽跡，因此需要對源數據作預處理，預處理流程如下：a）1～30 Hz帶通濾波；b）對濾波后的數據作獨立主成分分析［14］，分析50個主成分，并去掉明顯包含偽跡的主成分；c）以TP9、TP10為參考電極，對EEG進行重參考；d）將數據降采樣到500 Hz；e）對數據以2 s為一段進行分段。

4.3數據集劃分與模型訓練

本文將全部41個被試的數據按人數8、8、8、8、9隨機分成五組（random state取41），采用五折交叉驗證，對于每折交叉驗證，選用一組為測試集，其余四組為訓練集。

本文模型利用PyTorch（版本1.8.1）框架基于CPU訓練得到，優化器選擇Adam優化器，學習率初始時為0.000 1，每30個epoch下降10%，300個epoch后學習率保持不變，總共訓練600個epoch，batch size為10。

4.4實驗結果

本文設計了兩組不同的對照實驗，由前文所述，根據不同的頻段、不同的腦網絡類型以及被試是否睜眼，同一個被試采集的腦電數據對應24組不同的功率腦網絡：第一組對照實驗用來比較這24組功率腦網絡中，哪一組對檢測輕微認知衰退的貢獻最大；第二組對照實驗即在第一組對照實驗所確定的對輕微認知衰退貢獻最大的組別的基礎上，比較不同的特征集與特征融合方式對診斷的貢獻。

本文的評價指標為準確率（accuracy，ACC）、敏感性（sensibility，Sn）、特異性（specificity，Spe）。其中，準確率指模型正確診斷的被試數量占所有被試的比例；敏感性指在所有被模型預測為患者的被試中，實際患病的比例；特異性指所有被模型預測為正常的被試中，實際正常的比例。其具體計算公式如下：

ACC=TP+TNTP+TN+FP+FN（14）

Sn=TPTP+FN（15）

Spe=TNTN+FP（16）

其中：TP指模型將患者正確診斷為患者的被試數量；TN指模型將正常對照者正確診斷為正常對照者的被試數量；FP指模型將正常對照者錯誤診斷為患者的被試數量；FN指模型將患者錯誤診斷為正常對照者的被試數量。

2.3節得到的功率腦網絡為不同類型功率腦網絡的集合，根據頻段、腦網絡類型、睜眼或閉眼這三種情況的不同，每個被試可以得到24組不同的功率腦網絡。表2將這24組功率腦網絡進行編號，并說明了這些功率腦網絡分別是由哪部分數據得到的。

第一組對照實驗結果如表3所示，在該組對照實驗中，輸入為這24種不同的功率腦網絡，或這24種功率腦網絡的總和，自動診斷模型使用如圖6所示的自動診斷模型實現輕微認知衰退患者與正常對照者之間腦電的分類。

結合表2對每組功率腦網絡屬性的說明以及表3每組功率腦網絡的分類性能指標的比較來看，僅使用第23組功率腦網絡所得到的模型性能指標較其他組別高，甚至高于使用所有組別的功率腦網絡所得到的性能指標，這說明，就現有數據而言，僅使用被試在閉眼時靜息態數據中的beta2頻段下功率譜以及該頻段下PLV得到的功率腦網絡對于輕微認知衰退診斷的貢獻度大于其他組別（包括使用全部）的功率腦網絡。對于頻段而言，beta2頻段下的功率腦網絡中，患者的功率譜密度的數值較正常對照者更多，這也和文獻［15］的結論對應，即患者和正常對照者在不同頻段的功率譜密度上都存在顯著差異，并且在高beta頻段（即本文beta2）上的差異最為顯著；對于被試是否睜眼而言，文獻［16］利用靜息態功能核磁共振圖像分別分析了患者與正常對照者在多個腦區的功能激活情況，并發現在閉眼的條件下，患者和正常對照者在這些腦區的功能激活的差異更為顯著，特別是大腦的枕葉部分的一些功能區中；對于腦網絡類型而言，在beta2頻段，利用PLV所構成的功率腦網絡的診斷精度優于利用COH構成的功率腦網絡，雖然在beta2頻段下，患者和對照的COH、PLV兩種腦網絡均存在顯著差異，但COH的差異主要體現在兩個半腦之間，PLV的差異主要體現在電極—電極之間［17］，而功率腦網絡是基于電極—電極之間的腦網絡產生的，故以PLV腦網絡構成的功率腦網絡診斷精度會稍高。

為了探究本文提出的輕微認知衰退自動診斷方法與現有研究的診斷精度的差異，以及不同的特征融合方式對于診斷的影響，本文設計了第二組對照實驗。本組對照實驗設置三個實驗組和一個對照組。第一個實驗組運用文獻［11］的原理與方法，即單純使用功率譜密度作為特征進行自動診斷，這里使用beta2頻段閉眼功率譜特征作為輸入，模型選用圖6所示的模型。第二個實驗組與第一個實驗組的原理對應，即單純使用腦網絡特征矩陣作為特征進行自動診斷，這里使用beta2頻段閉眼PLV特征作為輸入。第三個實驗組運用文獻［13］的特征融合思想，即將不同含義的特征進行拼接以實現特征融合，分類器使用3.3節中構建的卷積神經網絡，其輸入為beta2頻段閉眼功率譜特征與beta2頻段閉眼PLV特征。對照組的特征集使用本文提出的功率腦網絡，模型選用圖6所示模型。值得注意的是，第三個實驗組和對照組的原始特征集是一致的，前者利用特征拼接實現特征融合，后者利用本文介紹的矩陣運算的方法實現特征融合。功率譜、腦網絡特征性能對比如表4所示。

從表4中可以看出，同時使用腦電信號的功率譜特征和腦網絡特征進行輕微認知衰退診斷效果優于僅使用腦電信號的功率譜特征或僅使用腦電信號的腦網絡特征。3.3節中的特征融合方法較只利用功率譜特征或腦網絡特征稍高，但明顯低于本文提出的基于功率腦網絡進行診斷的方法。與現有研究相比，本文提出的自動診斷方法在本文的數據集上的診斷精度略高于相關文獻所得到的診斷精度，但由于本文數據集的樣本量較小，此結果是否具有普適性還需要在其他腦電數據集上進行進一步的證實。

本文提出的特征融合方法的好處有：a）功率腦網絡在形式上和結構上和腦網絡一致，都是尺寸相同的若干個方陣的集合，但是功率腦網絡中的每一個元素都是由對應電極的功率譜密度和腦網絡指標進行計算得到，因此，每一維特征都綜合考慮了功率譜密度和腦網絡的信息，這是將特征簡單拼接所不具備的；b）功率腦網絡較腦網絡而言，相當于在腦網絡特征的基礎之上，利用功率譜密度對腦網絡特征進行了一次線性變換，因此這個操作并不會增加特征的個數，這對于小樣本分類是有好處的；c）在功率譜密度，腦網絡相乘的過程中，因不同電極之間功率譜密度數值的大小存在差異，故將功率譜密度與腦網絡相乘，更能突出那些功率較大的電極之間的相關關系，從而略微忽略能量較小的電極，這實質上能更好地突出重要特征。

5結束語

本文提出了一種基于卷積神經網絡的輕微認知衰退靜息態腦電檢測方法。通過提取兩類不同的腦電信號特征，一種是腦電信號各個頻段各個電極的功率譜密度特征，另一種是以腦電信號電極間的相干系數和電極間相位鎖相值為主體的腦網絡特征。本文使用功率譜特征對腦網絡特征進行線性變換以實現特征融合，并設計了卷積神經網絡進行診斷。實驗證明該方法在本文所用的數據集上具有一定的識別準確率，并通過選取整個特征集的不同子集探究了對輕微認知衰退診斷有較大參考價值的特征集。相比現有方法，能夠更好地利用EEG多個方面的信息進行診斷，以更好地定位最有效的特征。但本文提出的特征融合方法較為復雜，需要一定的計算量，未來將會關注且進一步改進特征提取以及特征融合方法，提取EEG的更多特征進行輕微認知衰退自動診斷研究。

參考文獻：

［1］Vialatte F，Cichocki A，Dreyfus G，et al.Early detection of Alzheimer’s disease by blind source separation，time frequency representation，and bump modeling of EEG signals［C］//Proc of International Conference on Artificial Neural Networks.Berlin：Springer，2005：683-692.

［2］Harrison J，Minassian S L，Jenkins L，et al.A neuropsychological test battery for use in Alzheimer disease clinical trials［J］.Archives of Neurology，2007，64（9）：1323-1329.

［3］Zetterberg H，Skillbck T，Mattsson N，et al.Association of cerebrospinal fluid neurofilament light concentration with Alzheimer disease progression［J］.JAMA Neurology，2016，73（1）：60-67.

［4］Mueller S G，Weiner M W，Thal L J，et al.The Alzheimer’s disease neuroimaging initiative［J］.Neuroimaging Clinics of North America，2005，15（4）：869.

［5］楊旭.帕金森病輕度認知障礙與遺忘型輕度認知障礙患者視覺事件相關振蕩的腦電時頻分析［J］.中華神經科雜志，2021，54（7）：655-664.（Yang Xu.EEG time-frequency analysis of visual event-related oscillations in patients with Parkinson’s disease with mild cognitive impairment and amnestic mild cognitive impairment［J］.Chinese Journal of Neurology，2021，54（7）：655-664.）

［6］連重源.基于腦電分析的輕度認知障礙語言功能網絡損傷研究［D］.深圳：中國科學院大學（中國科學院深圳先進技術研究院），2020.（Lian Chongyuan.Research on network impairment of language function in mild cognitive impairment based on EEG analysis［D］.Shenzhen：University of Chinese Academy of Sciences（Shenzhen Institute of Advanced Technology，Chinese Academy of Sciences），2020.）

［7］Kim D，Kim K.Detection of early stage Alzheimer’s disease using EEG relative power with deep neural network［C］//Proc of the 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society.Piscataway，NJ：IEEE Press，2018：352-355.

［8］Ieracitano C，Mammone N，Hussain A，et al.A Convolutional neural network based self-learning approach for classifying neurodegenerative states from EEG signals in dementia［C］//Proc of International Joint Conference on Neural Networks.Piscataway，NJ：IEEE Press 2020：1-8.

［9］Ieracitano C，Mammone N，Bramanti A，et al.A convolutional neural network approach for classification of dementia stages based on 2D-spectral representation of EEG recordings［J］.Neurocomputing，2019，323：96-107.

［10］Bashivan P，Rish I，Yeasin M，et al.Learning representations from EEG with deep recurrent-convolutional neural networks［EB/OL］.（2016-02-29）.https：//arxiv.org/abs/1511.06448.

［11］Betrouni N，Delval A，Chaton L，et al.Electroencephalography-based machine learning for cognitive profiling in Parkinson’s disease：preliminary results［J］.Movement Disorders，2019，34（2）：210-217.

［12］McBride J，Zhao X，Munro N，et al.Resting EEG discrimination of early stage Alzheimer’s disease from normal aging using inter-channel coherence network graphs［J］.Annals of Biomedical Engineering，2013，41（6）：1233-1242.

［13］Ieracitano C，Mammone N，Hussain A，et al.A novel multi-modal machine learning based approach for automatic classification of EEG recordings in dementia［J］.Neural Networks，2020，123：176-190.

［14］Welch P.The use of fast Fourier transform for the estimation of power spectra：a method based on time averaging over short，modified periodograms［J］.IEEE Trans on Audio and Electroacoustics，1967，15（2）：70-73.

［15］Zhao Minghang，Kang M，Tang Baoping，et al.Deep residual networks with dynamically weighted wavelet coefficients for fault diagnosis of planetary gearboxes［J］.IEEE Trans on Industrial Electronics，2018，65（5）：4290-4300.

［16］Hyvrinen A，Oja E.Independent component analysis：algorithms and applications［J］.Neural Networks，2000，13（4-5）：411-430.

［17］Sharma N，Kolekar M H，Jha K，et al.EEG and cognitive biomarkers based mild cognitive impairment diagnosis［J］.IRBM，2019，40（2）：113-121.

［18］Marx E，Deutschlnder A，Stephan T，et al.Eyes open and eyes closed as rest conditions：impact on brain activation patterns［J］.Neuro Image，2004，21（4）：1818-1824.

［19］Handayani N，Haryanto F，Khotimah S N，et al.Coherence and phase synchrony analyses of EEG signals in mild cognitive impairment（MCI）：a study of functional brain connectivity［J］.Polish Journal of Medical Physics and Engineering，2018，24（1）：1-9.

收稿日期：2021-09-30；修回日期：2021-11-01基金項目：上海市自然科學基金資助項目（20ZR1429700）；上海交通大學新進教師啟動計劃資助項目（20X100040054）；醫工交叉（交大之星）青年項目（21X010301629）

作者簡介：段子敬（1997-），男，湖北孝感人，碩士，主要研究方向為機器學習、自然語言處理、腦電機器學習；趙冰蕾（1988-），女，江蘇南京人，助理研究員，博士，主要研究方向為認知神經、健康與異常的認知老化；李春波，男，河北人，教授，博士，主要研究方向為認知老化；郭薇（1963-），女（通信作者），湖北武漢人，教授，博士，主要研究方向為光通信網絡、衛星通信網絡、機器學習（wguo@sjtu.edu.cn）．