《Biomedicines》：EEG-ChTABNet: A Dual-Branch Channel-Wise Transformer with Gated Attention-Branch Network for EEG-Based Classification of Dementia
编辑推荐：
背景/目标：神经疾病（痴呆、中风与健康老化）的早期准确鉴别仍是一项关键临床挑战。脑电图（EEG）是一种非侵入性的脑动力学测量手段，从多通道EEG中提取的基于熵的特征已展现出强大的判别能力。然而，现有深度学习方法未能充分应对小临床队列与高维熵特征空间相结合的挑战
背景/目标：神经疾病（痴呆、中风与健康老化）的早期准确鉴别仍是一项关键临床挑战。脑电图（EEG）是一种非侵入性的脑动力学测量手段，从多通道EEG中提取的基于熵的特征已展现出强大的判别能力。然而，现有深度学习方法未能充分应对小临床队列与高维熵特征空间相结合的挑战。在本研究中，研究人员提出了一种新颖的架构，用于极端小样本条件下的多类神经疾病EEG分类。方法：研究人员提出了一种新颖的双分支通道变换器与注意力分支网络（EEG-ChTABNet），将19通道EEG熵特征分类为三类（痴呆、中风、健康对照；N = 45；每类15例）。该架构包含了四种新设计。第一，通道重要性注意力（CIA）模块，通过挤压激励自适应学习重新加权电极的重要性。第二，双分支编码器，结合了全局多头自注意力与局部深度可分离卷积。第三，门控Sigmoid融合机制。第四，瓶颈残差分类头，以解决过拟合问题。八种熵特征集：幅度感知排列熵（AAPE）、注意力熵（AttEn）、色散熵（DisEn）、分布熵（DistrEn）、基于波动的色散熵（FDispEn）、模糊熵（FuzEn）、条件熵的线性高斯估计（LinEn）和符号动力学（SyDy），分别通过分层5折交叉验证在折内SMOTE增强下进行评估。结果：EEG-ChTABNet在所有8个特征集上始终优于基线Transformer。DisEn和SyDy特征取得了峰值分类准确率73.3%（AUC分别为0.823和0.857），而对应的基线为57.8%和55.6%。SyDy取得了最佳整体AUC为0.857，且痴呆检测灵敏度在多个特征集上高达86.7%。结论：EEG-ChTABNet展示了通道自适应双分支Transformer设计在基于EEG的小样本熵特征数据神经分类中的有效性，并识别SyDy和DisEn为三分类神经疾病EEG分类中最具判别力的特征表示。
**研究背景**
神经疾病如阿尔茨海默病（AD）及其他相关痴呆、脑血管疾病（如中风）在全球范围内构成日益加重的健康负担。世界卫生组织估计，全球约5500万人受痴呆影响，中风则是第二大死亡原因并导致长期残疾。早期且准确地区分这些疾病以及健康老龄化过程在临床上至关重要，但由于症状相似和标准化临床测试的局限性，诊断面临显著困难。脑电图（EEG）作为一种非侵入性、低成本、高时间分辨率的神经记录手段，能够捕捉神经活动的快速动态。基于熵的非线性复杂度指标（如排列熵、色散熵等）可有效描述神经退行性过程及缺血性损伤引起的信号复杂性变化。然而，现有深度学习模型在处理小临床队列与高维熵特征空间时存在显著过拟合问题。为此，研究人员提出了EEG-ChTABNet，一种专门用于小样本条件下三分类（痴呆、中风、健康对照）的EEG熵特征分类架构，该研究发表在《Biomedicines》。
**主要关键技术方法**
研究人员采用了四项核心技术设计：1）通道重要性注意力（CIA）模块，通过挤压激励机制自适应学习电极权重；2）双分支编码器，包含全局Transformer分支（多头自注意力+可学习位置嵌入）和局部深度可分离卷积分支；3）门控Sigmoid融合机制，自适应整合全局与局部特征；4）瓶颈残差分类头，通过降维和跳跃连接减少过拟合。样本队列来源于马来西亚国立大学医学中心（Pusat Perubatan Universiti Kebangsaan Malaysia）的45名参与者（每类15例），使用19通道EEG（10–20电极布局）记录听觉工作记忆任务数据。采用分层5折交叉验证和折内SMOTE数据增强，单独评估八种熵特征集。
**研究结果**
3.1 整体分类性能：EEG-ChTABNet在所有八种特征集上均优于基线Transformer，准确率提升4.4至17.8个百分点。其中，色散熵（DisEn）和符号动力学（SyDy）特征集表现最佳，准确率均为73.3%（AUC分别为0.823和0.857）。痴呆检测灵敏度在多个特征集上达到86.7%，对照特异性最高达96.0%。中风分类最困难，最高灵敏度为73.3%（FDispEn）。
3.2 特征集比较：SyDy取得最高整体AUC（0.857），显示宏观时序模式在区分三类中的有效性。DisEn具有最高痴呆和卒中特异性（均为93.3%）。注意力熵（AttEn）AUC为0.842，对照特异性高。模糊熵（FuzEn）表现最差，可能由于参数敏感导致的类内变异性增加。
3.3 CIA剖面与地形图：CIA权重地形图显示神经生理可解释的空间模式——痴呆类主要强调额叶电极（Fp1、Fp2、F3等，权重0.748–0.791），中风类强调中央顶叶电极（C3、Cz、C4等，权重0.748–0.763），健康对照类强调枕叶电极（O1、O2，权重0.718–0.724）。该模式在SyDy和DisEn特征集上一致，表明CIA捕获了真实的神经生理结构。
3.4 消融实验：在SyDy特征集上进行的八种消融变体显示，CIA单独提升准确率4.4个百分点，双分支结构提升6.6个百分点，门控融合优于拼接（提升2.2个百分点），瓶颈头提供2.2个百分点提升。所有组件组合具有超加性协同效应。
**讨论与结论**
讨论部分指出，中风分类灵敏度较低（最高73.3%）源于中风病灶的变异性、不同卒中后时间及局部EEG变化特征，而痴呆变化更弥漫，解释了三类分类的难度差异。提出的架构有效性源于CIA的自适应电极加权、双分支编码器（全局注意力捕获模式，局部CNN捕获相邻电极空间规律）以及门控融合和瓶颈头的正则化作用。SyDy和DisEn被确定为最具判别力的特征表示，其临床意义在于可优先用于EEG神经筛查。
研究结论（Section 5）翻译：本研究提出了EEG-ChTABNet，一种创新的双分支Transformer设计，用于将EEG熵数据三分类为痴呆、中风和健康对照。该模型包含四项关键创新：通道重要性注意力（CIA）模块实现自适应电极加权；双分支编码器结合全局多头自注意力与局部深度可分离卷积；门控Sigmoid融合机制实现自适应分支集成；瓶颈残差分类头在小样本下提供正则化。基于45名被试（每类15例，19通道）的评估显示，EEG-ChTABNet在所有八种熵特征集上显著优于基线Transformer。符号动力学（SyDy）特征集（AUC=0.857）和色散熵（DisEn）特征集（准确率73.3%，AUC=0.823）取得最佳性能。痴呆灵敏度在多个特征集上达86.7%，对照特异性超93%，显示出临床意义的判别能力。结果表明，Transformer架构可有效用于小样本神经领域EEG熵特征分类，且SyDy和DisEn是三类EEG神经分类的最佳特征表示。EEG-ChTABNet为基于EEG的临床神经筛查工具提供了坚实基础。
