用于阿尔茨海默病静息态 EEG 分析的可解释自监督 Transformer

基于摘要分析。本研究针对阿尔茨海默病（AD）静息态 EEG 分析中标注有限、时空建模不足和跨设备迁移困难等问题，提出自监督时空 Transformer（STT-EEG），用于 AD 与认知正常对照（CN）分类及 MMSE 评分预测。主要研究对象是疾病相关 EEG 分析，而非 BCI 控制任务。 方法包括四部分：利用 111 名健康对照的 EEG，通过掩码自编码与时间顺序预测进行自监督预训练；引入空间注意力模块（SAM），作者称其同时捕获长程时间依赖与通道交互；开展从 64 通道 BioSemi 到 19 通道 Nihon Kohden 系统的跨数据集迁移；结合 attention rollout 与通道扰动分析模型关注的信号区域。摘要未给出掩码策略、损失组合、通道映射及具体网络结构。 评估方面，作者描述在 SRM 数据集上采用按被试划分的五折交叉验证训练，并在包含 36 名 AD、29 名 CN 的 OpenNeuro ds004504 上微调。作者报告，在该 OpenNeuro 数据集上的 AD vs. CN 分类 Accuracy 为 96.42%；但预训练、微调与最终评估被试的具体划分关系尚未验证。作者报告消融中自监督预训练、数据增强和 SAM 分别带来 +7.08%、+6.30% 和 +4.86% 的提升，摘要未明确这些数值是相对百分比还是百分点，也未充分说明各自对照配置，不宜直接累加或比较贡献大小。 对于连续 MMSE 评分预测，作者报告 Pearson 相关系数为 0.872、MAE 为 2.34 分；该任务对应的数据划分和评估样本尚未验证。解释性分析关注 T3–T6、P3–Pz–P4 和 O1–O2 等电极位置，作者认为其与 AD 相关颞顶叶病理相符；这种一致性不等同于病理机制的因果验证。 复现时应重点核对预处理、分段与被试划分顺序、预训练数据与下游评估数据的关系、跨设备通道适配、微调范围，以及消融对照和统计不确定性。摘要提供了消融结果，但完整实验协议、消融细节及统计信息尚未验证；现有材料也不足以确认其早期检测能力或临床泛化效果。