Siam-ALS：基于 EEG 与眼动信号的可解释孪生深度学习框架用于 ALS 早期检测

查看 PDF HTML（实验性）

摘要：肌萎缩侧索硬化症（ALS）的诊断因症状异质性和对临床评估的依赖而仍然具有挑战性，这凸显了利用患者生成的生理信号、采用客观、数据驱动方法的必要性。我们提出 Siam-ALS，一种可解释的孪生深度学习框架，联合建模同步的脑电图（EEG）和眼动追踪（ET）信号。EEG 捕捉 ALS 相关的脑活动变化，而 ET 提供眼动控制的信息，使模型能够学习与 ALS 相关的互补模式。该框架采用两个模态特定的编码器：一个捕捉时空神经模式的卷积 EEG 编码器，以及一个建模眼动动力学的基于 MLP 的 ET 编码器。这些模态特定的特征通过权重共享的孪生分支进行处理，并融合为紧凑的 64 维联合嵌入。使用轻量级分类器预测 ALS，而成对度量学习帮助模型从规模小、多样化的 ALS 数据集中学习更有效的模式。在公开的 EEGET-ALS 数据集上使用严格的受试者级交叉验证评估性能，Siam-ALS 达到了 0.988 的准确率和 0.998 的 AUROC，与经典机器学习、深度学习和非孪生融合方法相比表现出强劲的性能。在独立的 BigP3BCI 数据集上的跨数据集评估达到了约 0.98 的 AUROC，支持 Siam-ALS 在不同 BCI 范式间的泛化能力。为增强可解释性，在学习到的嵌入空间中评估了六种 XAI 方法，其中 SHAP 在识别有助于 ALS 预测的重要 EEG 和 ET 模式方面达到了最高（尽管在统计上相当）的保真度。总体而言，Siam-ALS 为多模态 ALS 检测提供了一个准确、可泛化且可解释的框架。

提交历史

来自：Ferdous Sohel [查看电子邮件]
[v1] 2026年10月11日星期日 05:14:29 UTC（5,926 KB）