稳健且临床可靠的 EEG 生物标志物：面向通用帕金森病检测的跨人群框架
机器学习
2026-04-28 v1 信号处理
神经元与认知
摘要
开发稳健且临床可靠的 EEG 生物标志物需要明确针对多中心设置中跨人群泛化性的评估框架，如帕金森病 (PD) 检测。在 i.i.d. 假设下训练的模型往往捕获的是人群特定的伪影，而非疾病相关的神经结构，导致其在不同临床队列之间泛化性能差。EEG 进一步放大了这一挑战，由于信噪比低且获取条件异构。我们提出了面向人群感知的评估框架，以评估 EEG 生物标志物在分布迁移下的稳健性和临床可靠性。通过 n-gram 扩展策略，我们枚举了五个独立队列之间的所有跨人群训练-测试配置， resulting in 75 种有向评估。采用嵌套交叉验证设计并集成通道选择，确保在无人群泄漏的情况下进行前瞻性生物标志物识别。结果表明，跨人群迁移是非对称的，训练人群的多样性提升了准确率和生物标志物稳定性，可在 held out 队列上实现最高 94.1% 的准确率。基于混合风险优化和假设空间收缩的理论分析解释了这些趋势，表明多人群训练促进了人群稳健的表征。这项工作为在多中心生物医学应用中学习稳健、通用且临床可靠的 EEG 生物标志物提供了原则性框架。
引用
@article{arxiv.2604.23933,
title = {Robust and Clinically Reliable EEG Biomarkers: A Cross Population Framework for Generalizable Parkinson's Disease Detection},
author = {Nicholas R. Rasmussen and Longwei Wang and Rodrigue Rizk and Md Rezwanul Akter Pallab and Samuel Stuwart and Martina Mancini and Arun Singh and KC Santosh},
journal= {arXiv preprint arXiv:2604.23933},
year = {2026}
}
备注
This is the non anonymized preprint corresponding to the version submitted to ACM Transactions on Computing for Healthcare. It is not the final typeset or accepted version