用于MCI和痴呆分类的基于EEG的BCI深度学习模型综合基准评测

脑电图（EEG）是自动检测轻度认知障碍（MCI）和痴呆的一种有前景的工具，但由于数据集和评估协议缺乏一致性，跨研究比较受到限制。本研究采用统一的预处理流程和五折受试者级交叉验证，在四个静息态EEG数据集和八个二分类任务上，对十种深度学习模型进行了基准测试。每项实验均重复进行了十次。SCCNet在受试者级平均准确率、敏感性和F1分数方面表现最佳，而ShallowConvNet在片段级平均准确率、特异性和精确率方面取得最高表现。受试者级聚合提高了所有评估模型的平均准确率，并且模型性能在不同数据集和诊断任务之间存在显著差异。更高的计算成本并不总是对应更好的分类性能，一些紧凑型架构在与规模显著更大的模型比较时仍保持了竞争力。研究结果为在一致的受试者独立评估条件下比较基于EEG的痴呆分类模型提供了可复现的参考。

脑电图（EEG）是自动检测轻度认知障碍（MCI）和痴呆的一种很有前景的工具，但由于数据集和评估方案不一致，不同研究之间的比较受到限制。本研究采用统一的预处理流程和五折受试者独立交叉验证，在四个静息态EEG数据集和八个二分类任务上对十种深度学习模型进行了基准测试。每项实验均重复十次。SCCNet在受试者水平上的平均准确率、敏感性和F1分数最高，而ShallowConvNet在线段水平上的平均准确率、特异性和精确率最高。受试者水平聚合提高了所有评估模型的平均准确率，且模型性能在不同数据集和诊断任务之间存在显著差异。较高的计算成本并不总是对应更好的分类性能，若干紧凑型架构与规模显著更大的模型相比仍保持了竞争力。这些结果为在一致的受试者独立评估条件下比较基于EEG的痴呆分类模型提供了可复现的参考。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.12.743255v1?rss=1

🏷️ 脑电图 轻度认知障碍 痴呆分类 深度学习 脑机接口 基准评测