评估 EEG 功能连接数据增强在阿尔茨海默病早期检测中的潜力

基于摘要分析。本研究针对阿尔茨海默病（AD）相关 EEG 数据规模较小、限制分类模型训练的问题，提出基于多变量经验模态分解的分解—重组数据增强系统，并以被试的功能连接矩阵为输入评估神经网络。主要研究对象是 AD 及轻度认知障碍的辅助识别，而非 BCI 控制任务。 增强流程包含三步：首先将训练集原始 EEG 信号分解为多个本征模态函数（intrinsic mode functions）；随后在不同试次之间随机重组这些分量；最后将重组分量相加，形成供模型训练的人工试次。该机制在信号分量层面生成训练样本，区别于直接扰动功能连接矩阵。摘要未说明重组是否受类别或被试身份约束，也未给出功能连接的计算方式及增强后矩阵的构建细节，均需全文核对。 作者在小规模数据集上评估了 ResNet、BrainNet CNN 和 EEGNet。作者报告，增强系统使 ResNet 在轻度 AD 数据集和轻度认知障碍数据集上的表现分别提升 5.24% 和 4.50%。摘要未明确对应指标、比较基线、被试内或跨被试协议，也未说明这些百分比是否表示相对增幅，因此不能将其改写为 Accuracy 提升或百分点变化，亦不能据此认定三种网络均获得一致收益。 可复现性的关键核对项包括被试数与类别分布、训练测试划分、跨试次重组范围、增强比例、功能连接估计方法及网络训练配置。摘要明确分解对象来自训练集，但被试隔离和完整处理流程尚未验证；实验协议、消融及统计信息尚未验证。作者据此认为数据增强有助于小规模 AD 数据上的神经网络训练，但该结论仍需结合评估协议判断，不能等同于已验证的临床早期检测能力。