基于多尺度信息保留变换的 EEG 阿尔茨海默病检测：机器学习分类器的被试级比较

基于摘要分析。本研究针对 EEG 阿尔茨海默病（AD）分类，评估修订版 Multi-Scale Information Retention Transform（MSIRT）特征融合框架，重点考察其相较直接特征拼接的预测增益；研究对象是疾病分类，而非 BCI 控制任务。 方法上，修订版 MSIRT 融合模糊熵（FE）、排列熵（PE）和微分熵（DE），采用训练折内归一化及跨特征乘积。由于该变换不具有对任意物理单位的不变性，作者在特征提取前将 EEG 幅值统一为伏特，并移除了微分熵之间的比值。无乘积变换对各特征严格单调，因此被作为 Random Forest（RF）的不变性对照，而非新增预测信息的来源。 作者在 OpenNeuro ds004504 的29名健康对照与36名 AD 参与者上进行被试级交叉验证。固定 RF 时，作者报告：直接拼接的 Accuracy 为84.62%、ROC AUC 为0.8956；修订版 MSIRT 分别为86.15%和0.9004；仅含交互项的对照分别为80.00%和0.8908。MSIRT 相对直接拼接的配对 AUC 差值为0.0048，bootstrap 95%置信区间为−0.0067至0.0192，配对置换检验 p=0.3780，未确立统计优势。在20次性别平衡重采样中，作者报告修订版 MSIRT 的平均 AUC 为0.8846；该结果应与上述交叉验证结果按各自协议理解。 这些结果支持进一步核查特征交互的增量价值，但不构成临床效用证据。复现时需确认幅值单位转换、训练折归一化、跨特征乘积构造及被试级划分的具体实现；交叉验证折数、完整分类器比较、预处理细节及更完整的消融与统计信息尚未验证。