DeepTokenEEG：通过分词化 EEG 特征提升轻度认知功能障碍和阿尔茨海默病分类
机器学习
2026-05-15 v1
摘要
阿尔茨海默病（AD）的检测被视为关键，因为及时干预可以改善患者预后。脑电图（EEG）基于诊断已被认可为一种非侵入、可接近且具有成本效益的方法，用于AD检测；然而，它面临数据可获得性、现代深度学习方法准确性以及专家基于解释耗时的挑战。在本研究中，设计了一种新型轻量级高性能模型DeepTokenEEG，用于AD诊断和来自AD患者、其他神经疾病患者和健康受试者的EEG信号分类。与传统重量模型不同，DeepTokenEEG利用空间和时间分词器，有效地在时域和频域捕获AD相关生物标志物，仅使用0.29 million参数。该方法在包括180例AD病例和94名健康对照的274名受试者的合并数据集上进行训练，达到在特定频率带上达到100%最高准确率，相较于同一数据集上的最先进方法提高了1.41-15.35%。这些结果表明DeepTokenEEG对于AD的早期检测和筛查具有潜力，并且由于其紧凑的大小，具有良好的部署前景。
引用
@article{arxiv.2605.15009,
title = {DeepTokenEEG Enhancing Mild Cognitive Impairment and Alzheimers Classification via Tokenized EEG Features},
author = {Thinh Nguyen-Quang and Minh Long Ngo and Ngoc-Son Nguyen and Nguyen Thanh Vinh and Huy-Dung Han and Bui Thanh Tung and Nguyen Quang Linh and Khuong Vo and Manoj Vishwanath and Hung Cao},
journal= {arXiv preprint arXiv:2605.15009},
year = {2026}
}