深度学习CNN与递归分析在脆性X综合征α和γ脑电生物标志物中的应用

# 深度学习CNN与递归分析用于脆性X综合征的Alpha–Gamma EEG生物标志物

Source: https://arxiv.org/html/2608.00835
11institutetext:信息技术学院，辛辛那提大学，俄亥俄州，美国
22institutetext:辛辛那提儿童医院医学中心儿童与青少年精神病学部门，俄亥俄州，美国
22email:[email protected]
22email:[email protected]
22email:[email protected]
22email:[email protected]

###### 摘要

脆性X综合征（FXS）是一种神经发育障碍，由脆性X智力低下蛋白（FMRP）表达减少引起，导致突触可塑性破坏、皮层过度兴奋以及网络同步受损。脑电图（EEG）为研究这些机制提供了非侵入性窗口，并一致地揭示了与抑制控制、感觉处理和认知相关的α（8–12 Hz）和γ（30–100 Hz）振荡异常。本文提出了一种多表征深度学习框架，通过整合卷积神经网络（CNN）、长短期记忆网络（LSTM）和递归图（RP）分析，实现FXS EEG表型的自动化表征。将限带EEG信号分解为α和γ分量，并转换为互补表征，包括时间特征序列、时频图和编码非线性递归结构的RP图像。CNN模块从图像表征中学习判别性的空间-频谱和动态纹理，LSTM模块则对振荡活动的时间调制进行建模；混合CNN-LSTM架构联合捕捉空间、时间和非线性依赖性。受试者独立评估表明，混合模型优于单一模态基线，其中γ特征提供强大的判别能力，而α-γ整合获得最佳整体性能。这些发现支持将深度学习与非线性表征相结合，作为FXS中EEG生物标志物开发的可扩展方法，并在转化研究中对诊断、分层和治疗监测具有潜在应用价值。

## 1 引言

脆性X综合征（FXS）是导致智力障碍最常见的遗传原因，也是自闭症谱系障碍的主要单基因病因，由FMR1基因中CGG三核苷酸重复扩增及随之而来的脆性X智力低下蛋白（FMRP）缺乏所引起[2 (https://arxiv.org/html/2608.00835#bib.bib1)]。FMRP减少会破坏突触发育、兴奋-抑制平衡和皮层网络成熟，导致特征性的认知、行为和感觉损伤（图1 (https://arxiv.org/html/2608.00835#S1.F1)）。临床表现通常在男性中更为严重，而女性表现出更广泛的表型变异性。

参见图注

图1：脆性X综合征是一种由脆性X智力低下蛋白（FMRP）缺乏引起的神经发育障碍，对大脑发育的几乎所有方面以及多种脑细胞类型的功能产生不利影响[14 (https://arxiv.org/html/2608.00835#bib.bib2)]。脑电图（EEG）为研究FMRP缺乏的神经生理学后果提供了非侵入性窗口，并一致地揭示了FXS中的异常振荡活动，尤其是在α（8–12 Hz）和γ（30–100 Hz）频段。α节律与大规模抑制控制和网络协调相关，而γ振荡反映局部回路兴奋性和信息处理。这些频段的异常被认为反映了FXS中的皮层过度兴奋和抑制调节受损。

尽管存在稳健的组水平发现，但在FXS中提取具有临床意义的EEG生物标志物仍具挑战性。EEG信号是非平稳、含噪且高维的，具有显著的个体间变异性，限制了传统线性频谱和连接性分析的敏感性。机器学习（ML）和深度学习的最新进展通过实现自动化特征学习和复杂神经动力学的非线性建模，为应对这些挑战提供了新机会。

在这项工作中，我们提出了一个统一的深度学习框架，集成卷积神经网络（CNN）、长短期记忆网络（LSTM）和递归图（RP）表征来描述FXS中的α-γ EEG异常。通过联合建模空间-频谱结构、时间动态和非线性递归行为，所提出的方法旨在改善FXS与典型发育对照之间的区分，同时为基于EEG的生物标志物开发提供可扩展的基础。

## 2 背景与相关工作

### 2.1 脆性X综合征的神经生理学

脆性X综合征源于FMRP表达减少，FMRP是一种对突触可塑性和兴奋性及抑制性回路的活性依赖性调节至关重要的蛋白质。动物和人类研究表明，FMRP缺乏导致皮层过度兴奋、抑制性中间神经元功能受损和网络同步改变。这些机制在电生理层面表现为异常的振荡动力学和中断的功能连接。

此外，观察到在α、高β、γ和ε频段，相对功率因性别而异，而θ和低β功率的变化在FXS男性和女性中相似[1 (https://arxiv.org/html/2608.00835#bib.bib7)]。由于这些现象，有人提出了若干元分析尝试，例如文献[4 (https://arxiv.org/html/2608.00835#bib.bib11)]中的研究，该研究综合了多项关于FXS的EEG研究数据，证实α和γ频段异常在不同年龄组和实验条件下均被一致观察到。

此外，观察到在α、高β、γ和ε频段，相对功率因性别而异。相比之下，θ和低β功率的变化在FXS男性和女性中相似[1 (https://arxiv.org/html/2608.00835#bib.bib7)]。由于这些现象，有人提出了若干元数据分析尝试，例如文献[4 (https://arxiv.org/html/2608.00835#bib.bib11)]中的研究，该研究综合了多项关于FXS的EEG研究数据，并证实α和γ频段异常在不同年龄组和实验条件下均被一致观察到。

### 2.2 FXS中的EEG振荡异常

关于FXS的EEG研究一致报告了多个频段的改变，其中α和γ活动中的发现最为稳健。静息态γ功率增加、γ相位同步性降低以及功能连接模式中断与皮层过度兴奋和抑制控制受损有关（图2 (https://arxiv.org/html/2608.00835#S2.F2)）[16 (https://arxiv.org/html/2608.00835#bib.bib19), 17 (https://arxiv.org/html/2608.00835#bib.bib5)]。发育研究进一步表明，α节律成熟延迟以及γ异常在生命周期中持续存在。

参见图注

图2：基于脆性X综合征（FXS）与健康对照（HC）个体之间连接强度显著组间差异的置换检验（p<0.05）[16 (https://arxiv.org/html/2608.00835#bib.bib19)]，显示FXS在γ频段电极间连接更多，但在α（低频和高频）和δ范围内的带内连接更少。[14 (https://arxiv.org/html/2608.00835#bib.bib2), 11 (https://arxiv.org/html/2608.00835#bib.bib3)]。比较和元分析研究证实，α-γ失调是FXS的可重复标志[10 (https://arxiv.org/html/2608.00835#bib.bib21)]，并且尽管在电生理表型上存在部分重叠，仍可将其与自闭症谱系障碍等相关神经发育疾病区分开来[15 (https://arxiv.org/html/2608.00835#bib.bib13), 8 (https://arxiv.org/html/2608.00835#bib.bib4), 9 (https://arxiv.org/html/2608.00835#bib.bib6)]。

### 2.3 FXS EEG中的计算与机器学习方法

除了描述性频谱分析，最近的工作越来越多地将统计建模和机器学习应用于量化FXS EEG表型[13 (https://arxiv.org/html/2608.00835#bib.bib22)]。先前的研究[6 (https://arxiv.org/html/2608.00835#bib.bib17)]探索了使用静息态和任务诱发EEG测量进行引导特征选择、分类和亚组分层[3 (https://arxiv.org/html/2608.00835#bib.bib18)]，证明了计算方法在诊断和生物标志物发现方面的潜力[5 (https://arxiv.org/html/2608.00835#bib.bib9), 7 (https://arxiv.org/html/2608.00835#bib.bib8), 12 (https://arxiv.org/html/2608.00835#bib.bib10)]。非线性复杂性测量和连接性建模进一步表明，FXS不仅改变振荡功率，还改变动态结构和稳定性[7 (https://arxiv.org/html/2608.00835#bib.bib8)]。

然而，大多数现有方法依赖于手工设计的特征和浅层分类器，可能无法捕捉EEG信号中存在的高阶空间、时间和非线性依赖性。深度学习架构，特别是用于空间和频谱学习的CNN、用于时间建模的LSTM以及递归图等基于图像的表征，在FXS背景下仍未得到充分探索。

### 2.4 本工作的动机

受汇聚的神经生理学和计算证据的启发，本研究引入了一个深度学习框架，通过EEG动力学的互补表征来明确针对FXS中的α-γ失调。通过整合基于CNN的特征学习、基于LSTM的时间建模和递归图分析（如图3 (https://arxiv.org/html/2608.00835#S2.F3)所示），所提出的方法解决了先前方法的关键局限性，并朝着自动化、可扩展的脆性X综合征EEG生物标志物迈进。

参见图注

图3：用于建模脆性X综合征中α–γ EEG异常的CNN–LSTM–RP流水线。

## 3 方法

图3 (https://arxiv.org/html/2608.00835#S2.F3)总结了所提出的CNN-LSTM-递归图框架。设多通道EEG为

X∈RC×T,\mathbf{X}\in\mathbb{R}^{C\times T},(1)其中CC是通道数，TT是样本数。经过预处理P(⋅)\mathcal{P}(\cdot)后，通过带通滤波器提取α和γ分量：

Xα=Bα(P(X)),Xγ=Bγ(P(X)),\mathbf{X}^{\alpha}=\mathcal{B}_{\alpha}\bigl(\mathcal{P}(\mathbf{X})\bigr),\quad\mathbf{X}^{\gamma}=\mathcal{B}_{\gamma}\bigl(\mathcal{P}(\mathbf{X})\bigr),(2)其中Bα\mathcal{B}_{\alpha}和Bγ\mathcal{B}_{\gamma}分别表示α（8–12 Hz）和γ（30–100 Hz）带通滤波器。构建两种表征：(i) 时间特征序列和(ii) 递归图图像。时间特征为

S={st}t=1T′,st=f(Xtα,Xtγ),\mathbf{S}=\{s_{t}\}_{t=1}^{T^{\prime}},\quad s_{t}=f(\mathbf{X}^{\alpha}_{t},\mathbf{X}^{\gamma}_{t}),(3)其中f(⋅)f(\cdot)从每个窗口中提取带功率和峰值频率描述符，T′T^{\prime}是窗口数量。递归图为

R=R(Xα,Xγ),\mathbf{R}=\mathcal{R}(\mathbf{X}^{\alpha},\mathbf{X}^{\gamma}),(4)其中R(⋅)\mathcal{R}(\cdot)表示相空间嵌入和递归映射。特征学习通过以下方式进行

ZCNN=FCNN(R),ZLSTM=FLSTM(S),\mathbf{Z}_{\mathrm{CNN}}=\mathcal{F}_{\mathrm{CNN}}(\mathbf{R}),\quad\mathbf{Z}_{\mathrm{LSTM}}=\mathcal{F}_{\mathrm{LSTM}}(\mathbf{S}),(5)混合模型为

Z=FLSTM(FCNN(R)).\mathbf{Z}=\mathcal{F}_{\mathrm{LSTM}}\bigl(\mathcal{F}_{\mathrm{CNN}}(\mathbf{R})\bigr).(6)最后，分类为

y^=σ(WZ+b),\hat{y}=\sigma(\mathbf{W}\mathbf{Z}+\mathbf{b}),(7)其中W\mathbf{W}和b\mathbf{b}是可训练参数，σ(⋅)\sigma(\cdot)是sigmoid/softmax函数。

### 3.1 EEG数据集与实验范式

使用高密度导联（C≥64C\geq 64）和采样率≥500\geq 500Hz，从脆性X综合征（FXS）个体和年龄匹配的典型发育（TD）对照中收集EEG记录。数据包括静息态（睁眼/闭眼）片段，以及在可用情况下的听觉范式。仅保留超过最小时长阈值且经伪迹控制的片段，以确保α和γ活动的稳定估计。实施受试者独立划分，使得来自同一受试者的所有片段恰好出现在一个划分（训练/验证/测试）中，防止数据泄漏并反映临床部署场景。

### 3.2 EEG预处理与伪迹去除

信号经过带通滤波（1–100 Hz，零相位FIR）和60 Hz陷波滤波。使用方差/峰度标准检测噪声/平直通道，并根据需要进行插值。使用ICA去除伪迹，根据地形图、时间特征和频谱拒绝与眼动、肌肉、心脏和通道噪声相关的成分。重建清洁信号，重新参考到公共平均参考，并对每个通道进行z评分以减少跨会话的幅度偏差。

### 3.3 α和γ频带分解与特征构建

预处理后，使用零相位带通滤波器提取α（8–12 Hz）和γ（30–100 Hz）的限带信号。Welch PSD估计产生每个epoch/通道的带功率、峰值频率和峰值功率。使用希尔伯特包络捕获时间动态，并将其分割为固定窗口以形成用于LSTM建模的序列。跨频带描述符包括：

- α到γ功率比
- 相对带功率归一化
- 时间共调制指标

### 3.4 递归图构建与非线性表征

给定限带EEG时间序列x(t)x(t)，相空间重建形成状态向量

xi=[x(i),x(i+τ),...,x(i+(m−1)τ)],\mathbf{x}_{i}=[x(i),\,x(i+\tau),\,\dots,\,x(i+(m-1)\tau)],(8)其中mm是嵌入维度，τ\tau是延迟，i=1,...,Ni=1,\dots,N是重建状态的索引。递归矩阵为

Ri,j={1,‖xi−xj‖2≤ε,0,otherwise,R_{i,j}=\begin{cases}1,&\|\mathbf{x}_{i}-\mathbf{x}_{j}\|_{2}\leq\epsilon,\\ 0,&\text{otherwise},\end{cases}(9)其中ε\epsilon是递归阈值。分别对α和γ信号计算RP，并将其调整为固定分辨率的灰度图像作为CNN输入。这种表征编码了非线性递归结构（例如，周期性和状态转换），补充了时频特征。

在脆性X综合征的背景下，异常的递归结构，如递归密度增加、对角线结构中断和纹理不规则，被假设反映了皮层过度兴奋、抑制控制减弱和振荡调节改变，特别是在γ频段。通过将EEG时间序列转换为递归图图像，这种方法使深度学习模型能够学习非线性动态特征，而无需显式手工设计的描述符，为检测与FXS相关的EEG异常提供了稳健且可解释的表征。

### 3.5 基于CNN的空间–频谱和非线性特征