DICE-Net：用于 EEG 信号中阿尔茨海默病检测的新型卷积–Transformer 架构

基于摘要分析。该研究针对阿尔茨海默病（AD）与健康对照（CN）的 EEG 分类，提出双输入卷积编码器网络 DICE-Net，将去噪后提取的频带功率与 Coherence 特征输入包含卷积、Transformer Encoder 和前馈层的模型。主要研究对象是 EEG 辅助痴呆分类，而非 BCI 控制任务。 技术上，两类输入分别描述 EEG 的频带能量分布与信号间的相干关系，模型尝试结合卷积与 Transformer Encoder 处理这些特征。摘要未说明输入张量组织、双输入融合位置、注意力作用维度、损失函数或训练配置，因此尚不能判断各模块对分类性能的独立贡献。 数据包括 36 名 AD 患者、23 名额颞叶痴呆（FTD）患者和 29 名年龄匹配的健康个体。作者报告，在 AD–CN 分类任务中采用 Leave-One-Subject-Out（留一被试）验证，DICE-Net 的 Accuracy 为 83.28%，并优于若干基线模型。该结果对应跨被试评估；摘要未提供基线名称、各基线分数、置信区间或统计检验，不能进一步量化优势。虽然数据包含 FTD 患者，摘要未报告 FTD 分类或三分类结果。 作者认为该架构能够捕捉 EEG 的复杂特征，并可能扩展至其他痴呆类型。早期诊断及改善干预的意义仍属于潜在应用，不能由该分类结果直接确认。复现时需核对去噪与特征计算参数、通道配置、样本切分与被试级预测汇总方式，以及预处理和模型选择是否在各验证折内完成；完整实验协议、消融及统计信息尚未验证，代码可用性也尚未确认。