DOI: https://doi.org/10.1186/s40708-026-00302-4
PMID: https://pubmed.ncbi.nlm.nih.gov/42108320
تاريخ النشر: 2026-05-11
المؤلف: Aishik Tokdar وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم البحث إطار عمل جديد CNN-Res-SE-BiLSTM-BiGRU للكشف التلقائي عن ضعف الإدراك المعتدل (MCI) من بيانات تخطيط الدماغ الكهربائي (EEG) الخام. يستفيد هذا النموذج من الكتل التلافيفية والاحتياطية لبنية زمنية محلية، وطبقات متكررة ثنائية الاتجاه للاعتماديات بعيدة المدى، ووحدات ضغط وتحفيز (SE) للاهتمام القنوي. تم تقييم أداء النموذج بدقة باستخدام التحقق المتقاطع بخمس طيات، محققًا دقة مثيرة للإعجاب قدرها $0.956 \pm 0.051$، وROC-AUC قدره $0.971 \pm 0.051$، وPR-AUC قدره $0.934 \pm 0.132$ على مجموعة بيانات EEG المستحثة بالروائح، مما يشير إلى قوته وإمكانية استخدامه السريري للكشف عن MCI.
كشفت تحليلات القابلية للتفسير عن فصل جزئي بين الفئات في التضمينات المتعلمة، حيث قدمت SHAP وLIME رؤى حول الأقطاب المؤثرة المرتبطة بضعف الإدراك. أبرزت هذه التحليلات اعتماد النموذج على مناطق دماغية معينة، مثل المناطق الجبهية والزمانية والخلفية، والتي تتماشى مع الشبكات العصبية الفسيولوجية المعروفة. ومع ذلك، يجب اعتبار النتائج كأنماط تفسيرية على مستوى القطاعات بدلاً من علامات حيوية نهائية بسبب الطبيعة المعتمدة على الأفراد للتحليل. بشكل عام، يبرز الدراسة قدرة الإطار على التمييز العالي واتخاذ القرارات المعايرة في فحص MCI القائم على EEG، مع توجيه الأبحاث المستقبلية نحو التحقق من صحة النموذج في مجموعات أكبر ومتعددة المراكز وتعزيز آليات الانتباه الزمني الترددي.
مقدمة
تناقش مقدمة هذه الورقة البحثية ضعف الإدراك المعتدل (MCI) كمرحلة انتقالية حاسمة بين الشيخوخة الإدراكية الطبيعية والأمراض التنكسية العصبية، وخاصة مرض الزهايمر (AD). يتميز MCI بعيوب إدراكية طفيفة تتجاوز آثار الشيخوخة الطبيعية ولكنها لا تعطل الحياة اليومية بشكل كبير. مع انتشار يبلغ حوالي 21% بين الأفراد الذين تزيد أعمارهم عن 65 عامًا، يمثل MCI تحديًا متزايدًا للصحة العامة، خاصة مع تقدم السكان العالميين في العمر. يعد الكشف المبكر أمرًا حيويًا لتنفيذ استراتيجيات وقائية وتسهيل اتخاذ قرارات مستنيرة بشأن خيارات الرعاية والعلاج. يتم استخدام أدوات تشخيصية متنوعة، بما في ذلك التصوير العصبي وEEG، حيث يظهر EEG كطريقة واعدة وفعالة من حيث التكلفة نظرًا لقدرته على التقاط النشاط الدماغي في الوقت الفعلي.
تسلط الورقة الضوء على التطور من تقنيات التعلم الآلي التقليدية، التي تعتمد على ميزات مصنوعة يدويًا، إلى نماذج التعلم العميق التي تتعلم تلقائيًا من بيانات EEG الخام. بينما أظهرت الشبكات العصبية التلافيفية (CNNs) والشبكات العصبية المتكررة (RNNs) دقة مثيرة للإعجاب في تصنيف MCI، لا تزال التحديات قائمة، مثل التعقيد الحسابي العالي، والتعميم المحدود على الأفراد غير المرئيين، ونقص القابلية للتفسير في قرارات النموذج. يقترح المؤلفون إطار عمل جديد للتعلم العميق يدمج CNNs أحادية البعد مع طبقات متكررة ثنائية الاتجاه وكتل ضغط وتحفيز، مما يعالج الأبعاد العالية والتعقيد الزمني المكاني لبيانات EEG. يركز الإطار على التعميم الواعي للبروتوكول ويشمل تقنيات الذكاء الاصطناعي القابلة للتفسير لتعزيز شفافية النموذج، بهدف تحسين الجدوى السريرية لأنظمة الكشف عن MCI القائمة على EEG.
الطرق
تحدد قسم المنهجية النهج الشامل المتبع في هذه الدراسة، موضحة مجموعات البيانات المستخدمة، وخط أنابيب معالجة EEG، وهيكل النموذج المقترح، الذي يدمج شبكة عصبية تلافيفية (CNN) مع ضغط وتحفيز احتياطي (Res-SE)، وذاكرة قصيرة وطويلة المدى ثنائية الاتجاه (BiLSTM)، ووحدة متكررة محكمة ثنائية الاتجاه (BiGRU). تتبع معالجة EEG البروتوكول المعتمد المشار إليه في [16]، مع تقديم الأشكال 1 و2 أمثلة توضيحية للبيانات قبل وبعد إزالة الضوضاء لموضوعات التحكم الصحية (HC) وموضوعات ضعف الإدراك المعتدل (MCI).
بالإضافة إلى ذلك، يوضح القسم إجراءات التدريب والمعايرة المستخدمة، فضلاً عن بروتوكولات التقييم والمعايير التي تم اعتمادها لتقييم أداء النموذج. يهدف هذا المنهج المنظم إلى ضمان تحليل قوي والتحقق من فعالية الهيكل المقترح في معالجة بيانات EEG للحالات المحددة.
النتائج
يقدم قسم النتائج تقييم أداء النموذج المقترح CNN-Res-SE-BiLSTM-BiGRU على كل من مجموعة بيانات EEG الأساسية ومجموعة بيانات EEG المستحثة بالروائح، ملتزمًا بإطار التدريب والتحقق الموضح في القسم 2.3.5. استخدم التقييم التحقق المتقاطع بخمس طيات مع إيقاف مبكر، وتعديل درجة الحرارة لمعايرة الاحتمالات، واختيار العتبات بناءً على إما إحصائية J لـ Youden أو عتبات ثابتة (0.35 و0.50). بالنسبة لمجموعة البيانات الأساسية، تم تحليل النتائج من خلال بروتوكولين: التحقق المتقاطع الطبقي على مستوى القطاعات (معتمد على الأفراد) والتحقق المتقاطع الطبقي على مستوى الأفراد (غير معتمد على الأفراد)، مما يسمح بتمييز بين أداء مستوى القطاعات والتعميم على الأفراد الجدد.
في تقييم مجموعة بيانات EEG المستحثة بالروائح، تم استخدام بروتوكول صارم غير معتمد على الأفراد، مما يضمن تقييمًا قويًا لقدرات التعميم. شملت النتائج تحليل مصفوفة الارتباك المجمعة، ومنحنيات الخصائص التشغيلية (ROC)، ومنحنيات الدقة والاسترجاع (PR)، والدراسات المقارنة، بما في ذلك التحليلات الأساسية وتحليلات الإزالة. تم الإبلاغ عن جميع مقاييس الأداء كمتوسط ± انحراف معياري عبر الطيات، مما يوفر نظرة شاملة على فعالية النموذج عبر مجموعات بيانات واستراتيجيات تقييم مختلفة.
المناقشة
تحدد قسم المناقشة في الورقة البحثية المنهجية والنتائج المتعلقة بتصنيف قطاعات EEG من الأفراد الذين يعانون من ضعف الإدراك المعتدل (MCI) والأشخاص الأصحاء (HC). استخدمت الدراسة مجموعة بيانات EEG في حالة الراحة متاحة للجمهور من 27 مشاركًا، بما في ذلك 16 فردًا صحيًا إدراكيًا و11 تم تشخيصهم بـ MCI، تتراوح أعمارهم بين 60-77 عامًا. تم إجراء تسجيلات EEG في ظروف خاضعة للرقابة، وتم تنفيذ خط أنابيب معالجة شامل لضمان بيانات عالية الجودة للتحليل. شمل ذلك تقنيات إزالة الضوضاء مثل فلتر notch بتردد 50 هرتز وتصفية نطاق التردد، تلاها تقسيم إلى فترات غير متداخلة.
تدمج بنية التعلم العميق الهجينة المقترحة شبكة عصبية تلافيفية أحادية البعد (CNN) مع ذاكرة قصيرة وطويلة المدى ثنائية الاتجاه (BiLSTM) وطبقات وحدة متكررة محكمة ثنائية الاتجاه (BiGRU) لالتقاط الديناميات الزمنية القصيرة والطويلة بشكل فعال في إشارات EEG. أظهر النموذج أداءً قويًا في التقييمات على مستوى القطاعات، محققًا دقة قدرها 0.974 ± 0.022 ودقة متوازنة قدرها 0.973 ± 0.022، مما يشير إلى فعاليته في تمييز بين قطاعات MCI وHC. ومع ذلك، كشفت التقييمات غير المعتمدة على الأفراد عن انخفاض كبير في الأداء، حيث كانت الدقة 0.560 ± 0.161، مما يبرز التحديات في تعميم النموذج على الأفراد غير المرئيين. تؤكد هذه الفجوة على أهمية بروتوكولات التحقق القوية في التطبيقات السريرية للتشخيصات القائمة على EEG.
القيود
تسلط القيود في الدراسة الضوء على عدة عوامل حاسمة قد تؤثر على تفسير النتائج. أولاً، مجموعة البيانات الأساسية في حالة الراحة محدودة الحجم، مما يؤدي إلى تباين في التقييمات المعتمدة على الأفراد. لتعزيز موثوقية التعميم غير المعتمد على الأفراد واستقرار المعايرة وتقدير نقطة التشغيل، هناك حاجة إلى مجموعات أكبر ومتعددة المراكز. ثانيًا، مجموعة البيانات المستحثة بالروائح، التي تستخدم فقط أربع قنوات وتضم عددًا صغيرًا من الأفراد الذين يعانون من ضعف الإدراك المعتدل (MCI)، تقيد القدرة على إجراء استنتاجات مكانية دقيقة وتحد من تعميم الاستنتاجات عبر تخطيطات واكتساب مختلفة. على الرغم من ذلك، تشير الأداء القوي غير المعتمد على الأفراد إلى أن الاستجابات المرتبطة بالمنبهات يمكن أن توفر معلومات قيمة حتى مع عدد أقل من الأقطاب.
بالإضافة إلى ذلك، تركز البنية الحالية بشكل أساسي على الانتباه القنوي المكاني دون نمذجة كافية للبنية الزمنية الترددية. يجب أن تستكشف الأبحاث المستقبلية استراتيجيات الانتباه عبر المجالات، مثل الانتباه المشترك بين القنوات والترددات الزمنية، لالتقاط علامات حيوية مكانية وزمنية وطيفية مكملة بشكل أفضل، مما قد يحسن أداء الكشف عن MCI. علاوة على ذلك، سيساهم توسيع تحليلات المعايرة ودمج استراتيجيات النمذجة التي تأخذ في الاعتبار التباين بين الأفراد في تعزيز القوة للتطبيقات السريرية. بينما تقدم تحليلات القابلية الحالية رؤى على مستوى الأقطاب من خلال طرق معتمدة (مثل UMAP، SHAP، LIME)، يجب أن تهدف الجهود المستقبلية إلى تقديم تفسيرات أكثر صلة بالعيادات من خلال ربط النسب بالمناطق الدماغية الوظيفية ووصف الشبكات على المستوى. بشكل عام، بينما تظهر الدراسة تقييمات قوية على مستوى القطاعات وكشف قوي غير معتمد على الأفراد في سياق الاستجابة للروائح، تظل الاستنتاجات المتعلقة بالتعميم في حالة الراحة أولية بسبب حجم المجموعة الصغيرة والتباين الكبير بين الأفراد.
DOI: https://doi.org/10.1186/s40708-026-00302-4
PMID: https://pubmed.ncbi.nlm.nih.gov/42108320
Publication Date: 2026-05-11
Author(s): Aishik Tokdar et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The research presents a novel CNN-Res-SE-BiLSTM-BiGRU framework for the automated detection of Mild Cognitive Impairment (MCI) from raw electroencephalography (EEG) data. This model leverages convolutional and residual blocks for local temporal structure, bidirectional recurrent layers for long-range dependencies, and Squeeze-and-Excitation (SE) modules for channel-wise attention. The model’s performance was rigorously evaluated using five-fold cross-validation, achieving an impressive accuracy of $0.956 \pm 0.051$, ROC-AUC of $0.971 \pm 0.051$, and PR-AUC of $0.934 \pm 0.132$ on an odor-evoked EEG dataset, indicating its robustness and potential clinical utility for MCI detection.
Interpretability analyses revealed partial class separation in the learned embeddings, with SHAP and LIME providing insights into the influential electrodes associated with cognitive impairment. These analyses highlighted the model’s reliance on specific brain regions, such as frontal, temporal, and posterior areas, which align with known neurophysiological networks. However, the findings should be considered as segment-level explanatory patterns rather than definitive biomarkers due to the subject-dependent nature of the analysis. Overall, the study underscores the framework’s capability for high discrimination and calibrated decision-making in EEG-based MCI screening, with future research aimed at validating the model in larger, multi-center cohorts and enhancing temporal-frequency attention mechanisms.
Introduction
The introduction of this research paper discusses Mild Cognitive Impairment (MCI) as a critical transitional phase between normal cognitive aging and neurodegenerative diseases, particularly Alzheimer’s disease (AD). MCI is characterized by subtle cognitive deficits that exceed normal aging effects but do not significantly disrupt daily life. With a prevalence of approximately 21% among individuals over 65, MCI poses a growing public health challenge, especially as the global population ages. Early detection is vital for implementing preventive strategies and facilitating informed decision-making regarding care and treatment options. Various diagnostic tools, including neuroimaging and EEG, are employed, with EEG emerging as a promising, cost-effective method due to its ability to capture real-time brain activity.
The paper highlights the evolution from traditional machine learning techniques, which rely on handcrafted features, to deep learning models that automatically learn from raw EEG data. While convolutional neural networks (CNNs) and recurrent neural networks (RNNs) have shown impressive accuracy in classifying MCI, challenges remain, such as high computational complexity, limited generalization to unseen subjects, and a lack of interpretability in model decisions. The authors propose a novel deep learning framework that integrates one-dimensional CNNs with bidirectional recurrent layers and Squeeze-and-Excitation blocks, addressing the high dimensionality and spatio-temporal complexity of EEG data. The framework emphasizes protocol-aware generalization and incorporates explainable artificial intelligence techniques to enhance model transparency, aiming to improve the clinical viability of EEG-based MCI detection systems.
Methods
The methodology section outlines the comprehensive approach taken in this study, detailing the datasets utilized, the EEG preprocessing pipeline, and the architecture of the proposed model, which integrates a Convolutional Neural Network (CNN) with Residual Squeeze-and-Excitation (Res-SE), Bidirectional Long Short-Term Memory (BiLSTM), and Bidirectional Gated Recurrent Unit (BiGRU) components. The EEG preprocessing adheres to the established protocol referenced in [16], with Figures 1 and 2 providing illustrative examples of the data before and after denoising for healthy control (HC) and mild cognitive impairment (MCI) subjects.
Additionally, the section elaborates on the training and calibration procedures employed, as well as the evaluation protocols and metrics that were adopted to assess the model’s performance. This structured methodology aims to ensure robust analysis and validation of the proposed architecture’s effectiveness in processing EEG data for the specified conditions.
Results
The results section presents the performance evaluation of the proposed CNN-Res-SE-BiLSTM-BiGRU model on both the primary EEG dataset and the odor EEG dataset, adhering to the training and validation framework outlined in Section 2.3.5. The evaluation utilized stratified five-fold cross-validation with early stopping, temperature scaling for probability calibration, and threshold selection based on either Youden’s J statistic or fixed thresholds (0.35 and 0.50). For the primary dataset, results were analyzed through two protocols: segment-wise stratified cross-validation (subject-dependent) and subject-wise stratified group cross-validation (subject-independent), allowing for a distinction between segment-level performance and generalization to new subjects.
In assessing the odor EEG dataset, a strict subject-independent protocol was employed, ensuring a robust evaluation of generalization capabilities. The results included pooled confusion matrix analysis, receiver operating characteristic (ROC) curves, precision-recall (PR) curves, and comparative studies, including baseline and ablation analyses. All performance metrics were reported as mean ± standard deviation across the folds, providing a comprehensive overview of the model’s effectiveness across different datasets and evaluation strategies.
Discussion
The discussion section of the research paper outlines the methodology and findings related to the classification of EEG segments from subjects with Mild Cognitive Impairment (MCI) and healthy controls (HC). The study utilized a publicly available resting-state EEG dataset from 27 participants, including 16 cognitively healthy individuals and 11 diagnosed with MCI, aged 60-77 years. EEG recordings were conducted under controlled conditions, and a comprehensive preprocessing pipeline was implemented to ensure high-quality data for analysis. This included denoising techniques such as a 50 Hz notch filter and band-pass filtering, followed by segmentation into non-overlapping epochs.
The proposed hybrid deep learning architecture integrates a 1D convolutional neural network (CNN) with bidirectional long short-term memory (BiLSTM) and bidirectional gated recurrent unit (BiGRU) layers to effectively capture both short-range and long-range temporal dynamics in EEG signals. The model demonstrated strong performance in segment-wise evaluations, achieving an accuracy of 0.974 ± 0.022 and a balanced accuracy of 0.973 ± 0.022, indicating its efficacy in distinguishing between MCI and HC segments. However, the subject-independent evaluation revealed a significant drop in performance, with accuracy at 0.560 ± 0.161, highlighting challenges in generalizing the model to unseen subjects. This discrepancy underscores the importance of robust validation protocols in clinical applications of EEG-based diagnostics.
Limitations
The limitations of the study highlight several critical factors that may affect the interpretation of the findings. Firstly, the primary resting-state dataset is limited in size, leading to variability in subject-wise evaluations. To enhance the reliability of subject-independent generalization and stabilize calibration and operating-point estimation, larger, multi-center cohorts are necessary. Secondly, the odor-evoked dataset, which utilizes only four channels and includes a small number of mild cognitive impairment (MCI) subjects, restricts the ability to perform fine-grained spatial inference and limits the generalizability of the conclusions across different montages and acquisition protocols. Despite this, the strong subject-independent performance indicates that stimulus-locked responses can still provide valuable information even with a reduced number of electrodes.
Additionally, the current architecture primarily focuses on spatial-channel attention without adequately modeling the temporal-frequency structure. Future research should explore cross-domain attention strategies, such as joint channel-temporal-frequency attention, to better capture complementary spatial, temporal, and spectral biomarkers, potentially improving MCI detection performance. Furthermore, expanding calibration analyses and incorporating modeling strategies that account for inter-subject variability will enhance robustness for clinical applications. While the existing interpretability analysis offers electrode-level insights through established methods (e.g., UMAP, SHAP, LIME), future efforts should aim for more clinically relevant explanations by linking attributions to functional brain regions and network-level descriptions. Overall, while the study demonstrates strong segment-level benchmarking and robust subject-independent detection in the odor-evoked context, conclusions regarding resting-state generalization remain preliminary due to the small cohort size and significant inter-subject variability.