面向神经系统疾病多类别 EEG 分类的可解释频率感知深度学习

基于摘要分析。该研究面向静息态 EEG 的疾病辅助筛查，提出可解释频率感知模型 SpectraXAI，将信号分为 Alzheimer’s disease、Parkinson’s disease、schizophrenia 和健康对照四类。其主要贡献是把显式频带处理与频带、时间注意力结合，在分类的同时提供可检查的决策线索；研究对象是疾病分类，而非 BCI 控制任务。 模型将每个 EEG 窗口滤波为 delta、theta、alpha、beta、gamma 五个频带，各频带由独立卷积分支处理，并通过 squeeze-and-excitation 进行特征重校准。随后，Softmax 加权的频带注意力与时间注意力整合频谱和时序证据。作者将这些注意力权重作为预测的内在解释，并辅以特征注意力热图、Grad-CAM 和 t-SNE 展示相关频带、时间片段及学习特征。 作者报告，在被试互斥的跨被试评估中，针对来自 173 名未见被试的 20,760 个 EEG 窗口，模型取得 Accuracy 94.43%、Balanced Accuracy 96.74%、macro-F1 93.82%，参数量为 0.10 million。作者称该协议避免了窗口跨被试划分造成的泄漏；具体划分流程仍需全文核对。作者还报告，消融分析表明，相比普通卷积基线，大部分性能增益来自注意力模块，但摘要未提供各消融条件的具体数值。 需重点核对数据来源及各类别构成、训练与验证划分、窗口生成和预处理流程，以及数据来源差异是否与诊断标签混杂。摘要中的指标对应 EEG 窗口，不能直接视为被试级诊断性能。注意力与可视化能够提供检查线索，但其解释忠实性及临床有效性尚未验证；外部验证、实验协议细节、消融数值及统计信息也尚未验证，不能据此推断临床可用性。