图神经网络在脑电图分析中的应用：阿尔茨海默病和癫痫用例分析

摘要

脑电图(EEG)作为一种非侵入性技术被广泛用于多种脑部疾病的诊断，包括阿尔茨海默病和癫痫。近年来，疾病诊断主要依赖于人类专家对EEG的解读，但这种方法不仅需要高度专业的知识，且解读过程可能具有较强的主观性，容易受到人为误差的影响。此外，尽管近年来出现了用于解读EEG的机器学习方法，但大多数方法未能有效捕捉人脑不同区域信号之间复杂的非欧氏关系。在此背景下，图神经网络(GNNs)因其能够有效地分析不同类型图结构数据中的复杂关系而备受关注。在这里，本研究旨在应用GNNs进行基于EEG的阿尔茨海默病检测以及两种不同类型癫痫发作的区分。为此，本研究通过展示单个GNN架构在这两个用例中都能实现最先进的性能来证明GNNs的价值。通过设计空间探索和可解释性分析，本文开发了一种基于图的变换器，在阿尔茨海默病和癫痫的三分类任务中，交叉验证准确率分别达到了89%和96%以上，与神经学专家的直觉一致。本文还讨论了GNNs在EEG应用中的计算效率、可泛化性及实时处理潜力，凸显了其在分类各种神经病理中的重要价值，并为未来的研究与临床实践开辟了新的方向。

图形摘要

引言

脑电图(EEG)传统上用于研究大脑活动，并在辅助诊断多种脑部疾病以及促进脑机接口应用方面表现出巨大的潜力。EEG能够捕捉分布在患者头部多个通道上的神经元放电的时间动态，因此能够提供有关简单和复杂大脑活动的时空信息。

在EEG的不同应用中，阿尔茨海默病(AD)的诊断和癫痫发作的分析与鉴别是两个关键的临床案例，因为这两种疾病可能会导致EEG模式的改变。鉴于AD较高的发病率及其渐进性神经退行性影响，以及癫痫发作误诊后错误用药的严重后果，EEG因此在这两种情况下具有重要的临床价值。

EEG可以帮助识别由于阿尔茨海默病(AD)或认知障碍所引起的大脑连接性变化，从而在早期阶段或不同病程的患者之间进行区分。在癫痫发作的鉴别诊断中，患有心因性非癫痫性发作(PNES)的人可能会表现出与癫痫患者相同的发作事件，但在发作过程中不会出现任何癫痫的特征性脑电活动。此外，静息态EEG可用于辨别某个患者的发作是源于癫痫性还是心因性发作。

依赖人类专家解读EEG来识别疾病可能存在一些局限性，例如解读不够准确或容易出错，尤其是在处理那些病情微妙且复杂的疾病时，这种方法可能会引发问题。一方面，在阿尔茨海默病(AD)中，人们通常希望在疾病的早期阶段就能识别出来，因为此时症状通常表现为轻微的认知障碍。另一方面，关于癫痫性发作与心因性非癫痫性发作之间的区分在文献中的研究较少，而且这种区分也可能不容易识别。

因此，近年来已应用机器学习方法，旨在从EEG中提取特定模式，识别出人类专家可能难以发现的特征，从而为这些疾病提供稳健且可靠的诊断。特别是，许多研究采用了支持向量机(SVM)、多层感知器(MLP)、长短期记忆(LSTM)或卷积神经网络(CNN)等技术，这些技术不仅应用于AD诊断或癫痫发作识别，而且还应用于运动想象和开发更好的脑机接口。尽管已有研究取得了一些成果，但有人认为这些方法无法捕捉到大脑不同区域信号之间复杂的非欧氏关系。例如，虽然CNN在EEG分类中被广泛使用，但它们通常将EEG信号的关联性数据压缩成类似图像的格式，这可能无法充分保留EEG信号的原始结构和关系。由于大脑不同区域之间的关联性可能并非由物理距离决定，而CNN通常依赖于空间结构关系，因此CNN在处理大脑区域之间非距离相关的关系时似乎不是最佳的。

在这种背景下，图神经网络(GNNs)因其能够有效地分析不同类型数据(包括EEG)之间的复杂关系而备受关注。实际上，EEG可以通过图的方式表示，其中每个通道对应一个节点，而节点之间的连接(即边)则反映了大脑不同区域之间的相互作用。因此，使用基于几何图的深度学习方法(如GNNs)，不仅提供了一种更合适的方式来学习和利用节点特征中的有价值信息，而且还能充分挖掘EEG数据中的连接模式。

尽管GNN方法适用于EEG分类任务，但相关研究仍较为有限，而且很少有研究将简单的GNN变体应用于AD诊断、癫痫检测或运动想象等领域。虽然这些研究在提升准确性方面相较于以往的结果有所进展，但由于缺乏对所采用技术设计空间的充分探索，GNN方法的潜力尚未得到充分挖掘。此外，由于现有研究仅聚焦于单一应用场景，通常只涉及二分类任务，它们未能充分利用GNN的可解释性特点，从而无法有效评估在推理过程中具有更高相关性的特征、边缘和节点。为了弥合这一差距，本文通过两个相关的应用案例：阿尔茨海默病(AD)诊断和癫痫发作鉴别，来展示图神经网络(GNNs)在EEG分类任务中的独特优势。

材料与方法

数据集

本节描述了AD诊断和癫痫发作鉴别应用案例的数据采集细节、患者纳入和排除标准以及预处理流程。研究方法的总体概述如图1所示。

图1.数据采集、选择、预处理和分割方法。

阿尔茨海默病数据集来自于Ieracitano等人(2019)的研究。该数据集共有189名参与者：63名阿尔茨海默病(AD)患者，63名轻度认知障碍(MCI)患者，以及63名健康对照者(HC)。研究的纳入标准为：被确诊为AD或MCI的患者(美国精神病学协会，2013)。研究的排除标准为：可能引起认知障碍的其他精神或神经疾病、创伤性脑损伤、失控或复杂的系统性疾病，以及EEG癫痫样模式。

EEG记录遵循国际标准的10-20系统电极放置方法(图2)。采用19通道的电极阵列，电极分别放置在Fp1、Fp2、F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T3、T4、T5、T6、Fz、Cz和Pz位置。采样频率为1024Hz。为了减少电源线噪声干扰，应用了50Hz的陷波滤波器。耳垂(A1-A2)作为EEG记录的参考电极，以确保各通道之间的一致性和可比性。随后，使用EEGLab工具箱中的eegfiltfft函数对EEG数据进行0.5-32Hz的带通滤波，并将其降采样至256Hz。然后，将数据划分为5s的非重叠时间段。为了确保数据质量，仅纳入无伪迹的EEG时段进行后续分析。

图2.标准的10-20电极蒙太奇。

癫痫数据集包含103名受试者的视频EEG数据，其中42名为新发癫痫发作(ES)患者，42名为心因性非癫痫性发作(PNES)患者，19名为健康对照者(HC)。受试者的年龄范围为11-79岁，ES/PNES/HC组的平均年龄分别为44.69/30.83/33.84岁，标准差分别为23.11/13.41/13.94。

使用标准的19通道10-20系统记录EEG信号，电极放置与阿尔茨海默病数据集相同：Fp1、Fp2、F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T3、T4、T5、T6、Fz、Cz和Pz。此时的参考电极放置在G2，位于Fz和Cz电极之间。所有电极的皮肤阻抗值保持在5KΩ以下。在静息状态下采集EEG数据，记录持续时间为20min。与阿尔茨海默病数据集相似，癫痫数据集也经过了0.5-32Hz的带通滤波，随后降采样至256Hz。然而，在该数据集中，数据被划分为50%重叠的2s时间段。为了确保数据质量，仅纳入无伪迹的EEG时段进行后续分析。

图形构建

关系数据可以通过多种方式进行表示，从而产生多种图形表征。以EEG数据为例，本研究测试了多种节点和边缘特征提取方法，并对其性能进行了评估与比较。具体而言，节点特征提取方法包括：原始数据(Raw)；功率谱密度(PSD)；频段统计(Stats)。对于包含边缘权重的GNN架构，本研究测试了以下边缘特征提取方法：Pearson相关系数(PCC)；相位滞后指数(PLI)；交叉谱密度(CSD)。最后，无论采用何种GNN模型，本研究假设图中的所有节点之间均有连接，形成一个完全连接的图。

GNN架构

本研究基于四种不同的GNN层构建了多个GNN架构：图卷积网络(GCN)；图注意力网络(GAT)；自监督GAT(SelfGAT)；图转换网络(GTN)。所有模型均在PyTorch Geometric框架下实现，该框架支持上述的GNN层类型。然后，为了确定最佳的GNN架构，本研究进行了引导搜索，以优化超参数，如层数、隐藏维度或激活函数。表1列出了每种类型层的最佳架构。

表1.GNN架构。

验证

为了评估所提出的GNN架构的分类性能，本研究使用了交叉验证方法。具体来说，本研究采用留一交叉验证(LOOCV)来进行评估。LOOCV是k折交叉验证的一种特殊情况，其中折数等于数据集中患者的数量。每个患者的数据作为测试集，而其余患者的数据则用作训练集。对每个患者重复执行该过程，以确保模型能在不同的患者数据上进行评估。使用LOOCV的主要目的是通过评估模型在未见过的患者数据上的表现来评估模型的泛化能力。此外，LOOCV提供了以患者为中心的评估，使我们能够评估模型在数据集中每个个体上的表现。

可解释性

与其他用于脑电分析的机器学习方法相比，GNNs具有显著的优势，尤其是在可解释性方面。由于GNN使用图结构来处理数据，而图结构能够直观地映射到人类易于理解的概念，因此相对容易解释模型在做出预测时的推理过程。为此，PyTorch Geometric提供了一个功能，允许使用GNNExplainer算法。该算法能够分析特征、节点和边缘的重要性，并为每个选定的元素分配一个重要性分数。在这种情况下，该算法可用于识别哪些节点和属性在预测中起到关键作用，以及在计算过程中两个节点之间的关系(边)对预测的影响程度。本文在AD诊断和癫痫发作判别的应用中使用了这一方法。

结果

阿尔茨海默病检测结果

设计空间探索。作为分析的起点，本研究从GNN模型架构(表1)和特征提取机制两个角度对设计空间进行了探索。在此过程中，仅评估了二分类任务(阿尔茨海默病与健康对照)，且未进行交叉验证。图3展示了不同GNN架构在测试准确率和可训练参数数量之间的关系。结果表明，采用可训练边缘权重的技术优于原始的GCN模型。最佳性能是在具有三层和三头的变换器中获得的；增加更多的头、层或特征并未显著提高性能。总体而言，该架构相对于使用PSD作为节点特征和CSD作为边缘特征的最佳GCN，性能提升超过了5%。然而，变换器的优越性能是以更多可训练参数为代价的，其可训练权重约为GCN的10倍。

图3.在阿尔茨海默病中，GNN架构的可训练参数数量和准确率。

为了与非图神经网络进行比较，本研究训练了一个多层感知器(MLP)作为基准模型。该模型包含4个全连接线性层，并在每个层后应用ReLU激活函数，批量大小为128，采用交叉熵损失函数和Adam优化器，并将所有节点的PSD作为输入特征。通过网格搜索选择学习率和隐藏层大小作为超参数；最佳值分别为0.001和256，最终得到的测试准确率为61.05%，模型包含超过161K个参数。为了与最先进的模型进行比较，本研究还引入了Ieracitano等人(2019)提出的CNN模型，该模型的测试准确率约为90%，但包含超过300万个参数。与这些方法相比，变换器在准确性和计算效率之间取得了较好的平衡。

交叉验证。根据设计空间探索的结果，本研究采用准确率最高的GNN架构(变换器，3层，3头)，对阿尔茨海默病(AD)的二分类(AD vs HC)和三分类(AD vs MCI vs HC)进行了交叉验证。表2展示了在二分类和三分类任务中，训练集和测试集的交叉验证统计结果。

表2.在AD的二分类和三分类任务中，使用交叉验证评估最佳GNN架构的结果。

与原始验证方法获得的结果相比，二分类和三分类任务的准确率明显降低，这表明模型在处理未见过的患者数据时表现较差，这种下降的表现是合理且可以预期的。然而，两种情况下都表明，所提出的模型仍然能够有效地进行预测，表现出良好的泛化能力。有趣的是，模型在三分类任务中表现更好，这意味着所选模型在区分健康对照者与患有AD或MCI的患者方面特别有效。

与现有技术的比较。表3展示了本研究结果与相关研究结果的比较，其中Ieracitano等人(2020)通过MLPs模型在二分类和三分类任务中均取得了最佳结果，但他们使用了非常复杂的特征提取方法，提取了来自连续小波变换和双谱表征中的多个统计特征。除了Ieracitano等人(2020)的方法稍微更好外，本研究的GNN与其他大多数方法的表现相当。特别是在二分类任务中，本研究基于图的变换器设计取得了91.77%的测试准确率，这主要得益于其能够学习节点之间的关联性。在三分类任务中，本研究基于图的变换器达到了89.02%的准确率，非常接近Ieracitano等人(2020)的结果，而且本研究的特征提取过程更为简洁，同时具备更高的可解释性。此外，值得注意的是，与Ieracitano等人(2020)使用的k折(70/30)验证方法相比，尽管本研究模型通过更严格且更真实的验证方法(LOOCV)得到的准确率较低，但这种方法提供的结果更具现实意义。

表3.基于EEG诊断AD的机器学习方法比较。

特征重要性。为了便于可解释性分析，从数据集中选取了一位AD患者的样本作为测试集，用于计算模型预测的特征、节点和边的重要性，结果如图4所示。首先，对特征重要性进行分析。从左图可以看出，与Alpha频段相关的特征最为重要。从中图可见，最相关的节点位于枕部(O1)和额部(Fp1)区域。右图则显示，最重要的边均起始于O1电极，这表明重要性更多地体现在节点上。总体来看，节点和边的重要性图呈现出相对较窄的范围。

图4.某一AD患者预测结果的特征(频段)、节点和边的平均重要性。底部图展示了节点和边重要性值的直方图。

癫痫发作的鉴别结果

设计空间探索。本研究首先探索了在不进行交叉验证的情况下，针对二分类问题的GNN模型架构和特征提取机制的设计空间。图5显示了每个模型的测试准确率与可训练参数数量的关系。结果与AD用例相似：最佳的GCN分别使用PSD和CSD作为节点和边的特征，但其准确率仍比最佳的变换器模型低约5%。SelfGAT及其变换器变体在未使用dropout且具有更多特征的情况下，准确率超过92%。有趣的是，具有三层和三头的变换器模型在该用例中的表现也非常出色。在所有情况下，性能的提升都伴随着可训练参数的显著增加，SelfGAT除外，但所有GNN架构都明显优于MLP基准模型，很好地展示了在该任务中应用GNN的优势。

图5.癫痫用例中GNN架构的可训练参数数量和准确率。

与AD的分析过程类似，本研究将模型的性能与MLP基准模型以及文献中的其他模型进行了比较。MLP同样由4个全连接层组成，并在每个层后应用ReLU激活函数，批量大小为128，采用交叉熵损失函数和Adam优化器，以及将所有节点的PSD作为输入特征。学习率和隐藏层大小分别为0.001和256，得到的测试准确率为56%，且模型包含超过15万个参数。为了与最先进的模型进行比较，本研究还引入了Giudice、Varone等人(2022)提出的CNN模型，该模型的测试准确率超过90%，但参数超过60万个。与这些模型相比，变换器在准确性和计算效率之间取得了很好的平衡。

交叉验证。本研究采用了最佳变换器模型，并通过LOOCV对二分类和三分类任务的结果进行了交叉验证。结果如表4所示，二分类任务的测试准确率为99.84%，三分类任务的测试准确率为96.95%，并且患者间的标准差相对较小。

表4.在癫痫发作鉴别诊断的二分类和三分类任务中，使用交叉验证评估最佳GNN架构的结果。

与现有技术的比较。接下来，将所提出模型与现有的先进技术在基于EEG的癫痫分类任务中进行了比较分析。表5总结了各种方法在不同数据集上取得的结果。值得注意的是，本研究模型在二分类任务中的表现突出，准确率超过99%。对于三分类任务，本研究模型的性能仍然很出色，准确率为96.95%。值得注意的是，与Giudice、Ferlazzo等人(2022)的比较是公平的，因为本研究使用了相同的数据集进行训练和测试。因此，这些结果突显了本研究模型在全面癫痫分类场景中的有效性和鲁棒性。

表5.使用EEG鉴别癫痫发作的机器学习方法比较。

特征重要性。如前所述，为了便于可解释性分析，从数据集中选取了一位癫痫患者的样本作为测试集，用于计算模型预测的特征、节点和边的重要性。结果如图6所示。从左侧的特征重要性图可见，Theta频段对预测的贡献最大，相较于其他频段(尤其是Beta和Delta频段)，Theta频段表现出明显的优势。中间图显示，最相关的节点位于患者大脑后部的电极点，如T6、O1和O2。然而，这些相关性差异并不显著，因为观察到的标准差仅为0.00435(见图6下方中间的直方图)，因此没有足够的证据表明这些节点对于所有预测均具有重要性。最后，本研究还计算了边的相关性，如图6右图所示，其中相关性最高的节点关系是与位于大脑后部的电极O2相关节点相邻的关系。这与节点重要性的结果一致。此外，这些分数的标准差为0.0114，显著高于节点重要性的标准差，因此这些结果为我们提供了更为可靠的解释，表明所提出的GNN模型对该受试者的预测具有更好的解释性。

图6.某一癫痫患者预测结果的特征(频段)、节点和边的平均重要性。底部图展示了节点和边重要性值的直方图。

结论

相较于现有的技术(如CNN或LSTM)，图神经网络(GNN)在EEG信号解读方面具有更强的表达能力。本研究通过实验很好地证明了这一观点，并将其应用于阿尔茨海默病和癫痫分类两个案例。经过对设计空间的探索，本研究发现图变换器在这两种案例中均表现出优异的性能。该模型不仅与阿尔茨海默病诊断领域的最新技术性能相当，而且在癫痫发作鉴别任务中超越了最佳模型数个百分点，同时无需复杂的输入特征或模型，具备较高的计算效率。实际上，图变换器能够学习节点之间的关联，从而无需预先定义和计算边权重。最后，本研究认为GNN具有更强的可解释性潜力，并展示了使用图变换器获得的结果与专家知识的高度一致性。总的来说，本研究在使用人工智能分析EEG信号方面取得了重要进展，并验证了GNN是分类各种神经病理的有效工具，为相关领域的研究和临床实践开辟了新的前景。

参考文献：Sergi Abadal, Pablo Galván, Alberto Mármol, Nadia Mammone, Cosimo Ieracitano, Michele Lo Giudice, Alessandro Salvini, Francesco Carlo Morabito, Graph neural networks for electroencephalogram analysis: Alzheimer’s disease and epilepsy use cases, Neural Networks, Volume 181, 2025, 106792, ISSN 0893-6080, https://doi.org/10.1016/j.neunet.2024.106792.

小伙伴们关注茗创科技，将第一时间收到精彩内容推送哦～