DOI: https://doi.org/10.1109/tase.2026.3724335
تاريخ النشر: 2026-01-01
المؤلف: Jun-En Ding وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم البحث إطار عمل مزيج متغير من خبراء الشبكات العصبية الرسومية (VMoGE)، المصمم لتعزيز تشخيص اضطرابات الخرف مثل مرض الزهايمر (AD) والخرف الجبهي الصدغي (FTD) من خلال معالجة قيود طرق تحليل EEG الحالية. غالبًا ما تعتمد الأساليب التقليدية على تحليل التردد الكامل، مما يعقد التمييز بين أنواع الخرف ومراحل الشدة. يدمج VMoGE تحليل EEG متعدد النطاقات مع الشبكات العصبية الرسومية المتغيرة ومعمارية مزيج الخبراء، حيث يركز كل خبير على نطاق تردد EEG محدد ويستخدم حقل ماركوف العشوائي الغاوسي كنموذج لتمثيل الاتصال الدماغي. يستخدم الإطار آلية بوابة متغيرة لدمج مخرجات هؤلاء الخبراء بشكل تكيفي، مما يمكّن النموذج من التقاط تمثيلات الشبكة الدماغية الخاصة بالتردد مع الأخذ في الاعتبار عدم اليقين الكامن من خلال الاستدلال المتغير.
تظهر التحقق التجريبي على مجموعتين من بيانات EEG للخرف أن VMoGE تحقق منطقة تحت المنحنى (AUC) تبلغ 0.89 لتمييز الضوابط الصحية عن AD، إلى جانب أداء تنافسي في مهام تصنيف الخرف وتصنيف شدة الخرف السريري (CDR). سريريًا، يوفر الإطار رؤى مهمة: تتوافق أوزان بوابة الخبراء مع درجات اختبار الحالة العقلية المصغرة (MMSE) وشدة CDR، بينما ترتبط المساهمات المحددة من نطاقات الموجات البطيئة δ/θ بتباطؤ EEG المرتبط بـ AD وتقدم المرض. علاوة على ذلك، تبرز خرائط التنشيط المحلية المكاني التغيرات في نطاقات θ/α الخلفية والتغيرات الخاصة بالمنطقة في نطاق β، مما يوفر تفسيرات عصبية فسيولوجية تتماشى مع علم الأمراض العصبي المعروف لـ AD. بشكل عام، يمثل VMoGE حلاً واعدًا للتعلم العميق يعزز دقة التشخيص وقابلية التفسير السريرية لفحص الخرف المبكر وتمييز أنواع المرض.
مقدمة
يعتبر مرض الزهايمر (AD) السبب الرئيسي للخرف على مستوى العالم، حيث يؤثر على حوالي 6.9 مليون فرد تتراوح أعمارهم بين 65 عامًا وما فوق في الولايات المتحدة اعتبارًا من عام 2024. يظهر الخرف الجبهي الصدغي (FTD)، وهو شكل آخر مهم من الخرف، عادةً بين سن 35 و75، ويتميز بتغيرات سلوكية ولغوية نتيجة تدهور الفصوص الجبهية والصدغية. تواجه طرق التشخيص التقليدية، بما في ذلك التقييمات النفسية العصبية والتصوير العصبي، قيودًا مثل تأثيرات السقف، والتدخل، والتكاليف العالية، مما يعيق استخدامها على نطاق واسع. تشير الدراسات الحديثة إلى أن تخطيط الدماغ الكهربائي (EEG) قد يكون بديلاً فعالاً من حيث التكلفة لتحديد العلامات الحيوية المرتبطة بـ AD، خاصةً من خلال تحليل الفروق الزمنية الترددية في إشارات EEG.
تقدم هذه الورقة نهجًا جديدًا يجمع بين محول متعدد الدقة لاستخراج ميزات العقد (MGT-NFE) ومزيج متغير من خبراء الشبكات العصبية الرسومية (VMoGE) لتعزيز تصنيف الخرف القائم على EEG. يلتقط MGT-NFE أنماط زمنية متعددة المقاييس عبر نطاقات تردد EEG، بينما يستخدم VMoGE حقل ماركوف العشوائي الغاوسي (GMRF) لكل خبير، مما يسهل تمثيل عدم اليقين وتحسين التعميم في البيئات السريرية. يخصص الإطار المقترح ديناميكيًا أوزانًا للخبراء المحددين بالتردد، مما ينتج رؤى قابلة للتفسير تتوافق مع المؤشرات السريرية مثل الأداء المعرفي وتقدم المرض. تهدف الدراسة إلى معالجة التحديات المنهجية في تطوير علامات حيوية فعالة وقابلة للتفسير لتشخيص الخرف، مما يمهد الطريق لتحسين التطبيقات السريرية.
طرق
في هذا القسم، يحدد المؤلفون الإطار المنهجي لتقييم نموذجهم المقترح، VMoGE، مقابل مجموعة متنوعة من الأساليب الأساسية في سياق تصنيف إشارات EEG. تستخدم التجارب التحقق المتقاطع بخمسة أضعاف عبر مجموعتين متميزتين، كما هو موضح في الجدول I. تشمل الأساليب الأساسية نماذج استخراج ميزات EEG التقليدية مثل EEGNet، التي تستخدم شبكة عصبية تلافيفية خفيفة الوزن (CNN) لاستخراج الميزات الزمانية والمكانية والطيفية، وEEGViT، التي تستفيد من بنية محول الرؤية لالتقاط الاعتمادات بعيدة المدى في تسلسلات EEG. بالإضافة إلى ذلك، يتم تسليط الضوء على الأطر المعتمدة على المحولات مثل DTCA-Net وDeformer وADFormer لتركزها على اختيار القنوات ونمذجة الميزات متعددة المقاييس، خاصة في تحليل EEG المرتبط بمرض الزهايمر.
كما يدمج المؤلفون طرقًا قائمة على الرسوم البيانية، وتحديدًا عدة نماذج Graph-MoE، بما في ذلك GraphMoRE وMoGE وMowst وGraphDIVE، التي تستخدم استراتيجيات توجيه الخبراء لمعالجة تباين الشبكات الدماغية. علاوة على ذلك، يتم الإشارة إلى MGformer من أجل مشفره متعدد الدقة الذي يعزز القوة التمييزية لتمثيلات العقد عبر نطاقات التردد. تهدف هذه المقارنة الشاملة إلى تقييم فعالية وقوة VMoGE في مهام تصنيف عبر الموضوعات، مما يسهم في تقدم منهجيات تحليل EEG.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدم في طرق الاستدلال المتغير لتحليل EEG وتطبيق هياكل مزيج الخبراء (MoE) في تحليل الشبكات الدماغية. أظهرت تقنيات الاستدلال المتغير، مثل EEG2Vec والتفكير في المسارات المتغيرة، وعدًا في تصنيف العواطف ونمذجة الفروق الفردية في النشاط الدماغي، محققة دقة ملحوظة (على سبيل المثال، 68.49% لـ EEG2Vec و94.3% للتفكير في المسارات). علاوة على ذلك، عزز دمج الرسوم البيانية القابلة للتكيف مع الحالة والتشفير التنبؤي القدرة على التقاط التباين الفردي والحفاظ على المصداقية البيولوجية في توقعات EEG.
كانت هياكل MoE فعالة في معالجة تباين البيانات العصبية الفسيولوجية، خاصة في سياقات EEG وfMRI. تستخدم وحدات الخبراء المتخصصة لاستيعاب التباين بين الموضوعات، وهو أمر حاسم في التمييز بين حالات مثل مرض الزهايمر (AD) والخرف الجبهي الصدغي (FTD). تؤكد الورقة على أهمية دمج الهياكل الرسومية المعتمدة على التردد لتحسين قابلية تفسير علامات EEG الحيوية، حيث تظهر نطاقات التردد المختلفة توقيعات كهربائية فسيولوجية متميزة ذات صلة بالتشخيص السريري. تهدف الطريقة المقترحة، مزيج متغير من خبراء الشبكات الرسومية (VMoGE)، إلى الاستفادة من هذه الرؤى من خلال دمج الأولويات الرسومية وآليات البوابة التكيفية لتعزيز أداء تصنيف بيانات EEG، خاصة في التمييز بين مجموعات AD وFTD.
DOI: https://doi.org/10.1109/tase.2026.3724335
Publication Date: 2026-01-01
Author(s): Jun-En Ding et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The research presents the Variational Mixture of Graph Neural Experts (VMoGE) framework, designed to enhance the diagnosis of dementia disorders such as Alzheimer’s disease (AD) and frontotemporal dementia (FTD) by addressing the limitations of existing EEG analysis methods. Traditional approaches often rely on full-band frequency analysis, which complicates the differentiation of dementia subtypes and severity stages. VMoGE integrates multi-band EEG analysis with variational graph neural networks and a mixture-of-experts architecture, where each expert focuses on a specific EEG frequency band and utilizes a Gaussian Markov Random Field prior to model brain connectivity. The framework employs a variational gating mechanism to adaptively combine the outputs of these experts, enabling the model to capture frequency-specific brain network representations while accounting for latent uncertainty through variational inference.
Experimental validation on two EEG dementia datasets demonstrates that VMoGE achieves an area under the curve (AUC) of 0.89 for distinguishing healthy controls from AD, alongside competitive performance in dementia subtyping and Clinical Dementia Rating (CDR) staging tasks. Clinically, the framework offers significant insights: the expert gating weights correlate with Mini-Mental State Examination (MMSE) scores and CDR severity, while specific contributions from slow-wave δ/θ bands are linked to AD-related EEG slowing and disease progression. Furthermore, spatially localized activation maps highlight alterations in posterior θ/α bands and region-specific β-band changes, providing neurophysiological interpretations consistent with known AD neuropathology. Overall, VMoGE represents a promising deep learning solution that enhances diagnostic accuracy and clinical interpretability for early dementia screening and differentiation of disease subtypes.
Introduction
Alzheimer’s disease (AD) is the leading cause of dementia globally, with approximately 6.9 million individuals aged 65 and older affected in the U.S. as of 2024. Frontotemporal dementia (FTD), another significant form of dementia, typically manifests between the ages of 35 and 75, characterized by behavioral and language changes due to degeneration of the frontal and temporal lobes. Traditional diagnostic methods, including neuropsychological assessments and neuroimaging, face limitations such as ceiling effects, invasiveness, and high costs, which hinder their widespread use. Recent studies suggest that electroencephalography (EEG) may serve as a cost-effective alternative for identifying AD-related biomarkers, particularly through the analysis of time-frequency differences in EEG signals.
This paper introduces a novel approach combining a Multi-Granularity Transformer for Node Feature Extraction (MGT-NFE) and a Variational Mixture of Graph Neural Experts (VMoGE) to enhance EEG-based dementia classification. The MGT-NFE captures multiscale temporal patterns across EEG frequency bands, while the VMoGE employs a Gaussian Markov Random Field (GMRF) prior for each expert, facilitating the representation of uncertainty and improving generalization in clinical settings. The proposed framework dynamically assigns weights to frequency-specific experts, yielding interpretable insights that correlate with clinical indicators such as cognitive performance and disease progression. The study aims to address the methodological challenges in developing effective and interpretable EEG biomarkers for dementia diagnosis, paving the way for improved clinical applications.
Methods
In this section, the authors outline the methodological framework for evaluating their proposed model, VMoGE, against a variety of baseline approaches in the context of EEG signal classification. The experiments utilize five-fold cross-validation across two distinct datasets, as detailed in Table I. The baseline methods include traditional EEG feature extraction models such as EEGNet, which employs a lightweight convolutional neural network (CNN) for spatiotemporal and spectral feature extraction, and EEGViT, which leverages a vision transformer architecture to capture long-range dependencies in EEG sequences. Additionally, transformer-based frameworks like DTCA-Net, Deformer, and ADFormer are highlighted for their focus on channel selection and multi-scale feature modeling, particularly in Alzheimer’s disease-related EEG analysis.
The authors also incorporate graph-based methods, specifically several Graph-MoE models, including GraphMoRE, MoGE, Mowst, and GraphDIVE, which utilize expert routing strategies to address the heterogeneity of brain networks. Furthermore, MGformer is noted for its multi-granularity encoder that enhances the discriminative power of node representations across frequency bands. This comprehensive comparison aims to assess the effectiveness and robustness of VMoGE in cross-subject classification tasks, thereby contributing to the advancement of EEG analysis methodologies.
Discussion
The discussion section of the research paper highlights the advancements in variational inference methods for EEG analysis and the application of mixture-of-experts (MoE) architectures in brain network analysis. Variational inference techniques, such as EEG2Vec and variational pathway reasoning, have shown promise in emotion classification and modeling individual differences in brain activity, achieving notable accuracies (e.g., 68.49% for EEG2Vec and 94.3% for pathway reasoning). Furthermore, the integration of instance-adaptive graphs and predictive coding has enhanced the ability to capture individual variability and maintain biological plausibility in EEG predictions.
The MoE frameworks have been effective in addressing the heterogeneity of neurophysiological data, particularly in EEG and fMRI contexts. They utilize specialized expert modules to accommodate inter-subject variability, which is crucial in distinguishing between conditions like Alzheimer’s disease (AD) and frontotemporal dementia (FTD). The paper emphasizes the importance of incorporating frequency-based graph structures to improve the interpretability of EEG biomarkers, as different frequency bands exhibit distinct electrophysiological signatures relevant for clinical diagnosis. The proposed method, Variational Mixture of Graph-Structured Experts (VMoGE), aims to leverage these insights by integrating graph priors and adaptive gating mechanisms to enhance the classification performance of EEG data, particularly in differentiating between AD and FTD cohorts.