阿尔茨海默病和路易体病等神经退行性疾病引起的电生理紊乱可通过头皮脑电图检测出来，并可作为疾病严重程度的功能性测量指标。传统的脑电图定量分析方法通常需要先验选择具有临床意义的脑电图特征，而且容易产生偏差，限制了常规脑电图在神经退行性疾病诊断和管理中的临床应用。我们提出了一种数据驱动的张量分解方法，用于提取代表闭眼清醒状态下常见的脑电图活动来源的前 6 个频谱和空间特征。作为梅奥诊所神经系统评估的一部分，11,001 名患者接受了 12,176 项常规、标准的 10-20 次头皮脑电图研究。根据这些原始脑电图，我们开发了一种基于后部 alpha 活动和眼球运动的算法，用于自动选择清醒闭眼时期并估计每个通道 1 到 45 Hz 之间的平均频谱功率密度 (SPD)。然后，我们创建了一个三维 (3D) 张量 (记录 × 通道 × 频率)，并应用典型多元分解来提取前六个因子。我们进一步确定了一组独立患者，他们符合阿尔茨海默病和路易体痴呆 (31) 导致的轻度认知障碍 (30) 或痴呆 (39) 的共识标准，以及年龄相似的认知正常对照 (36)。我们使用朴素贝叶斯分类方法评估了这六个因子区分这些亚组的能力，并评估了因子载荷与 Kokmen 心理状态简略测验评分、氟脱氧葡萄糖 (FDG) PET 摄取率和脑脊液阿尔茨海默病生物标志物测量值之间的线性关联。这些因子代表了具有生物学意义的大脑活动，包括后部 α 节律、前部 δ/θ 节律和中央顶叶 β，它们与患者年龄和脑电图节律失常等级相关。这些因素还能够以中等到高精度（曲线下面积 (AUC) 0.59–0.91）区分患者和对照组，以及区分阿尔茨海默病痴呆和路易体痴呆（AUC 0.61）。此外，相关的 EEG 特征与阿尔茨海默病亚组的认知测试表现、PET 代谢和 CSF AB42 测量值相关。这项研究表明，数据驱动的方法可以从人群水平的临床 EEG 中提取具有生物学意义的特征，而无需拒绝伪影或先验选择通道或频带。随着不断发展，这种数据驱动的方法可以通过协助早期识别轻度认知障碍和区分认知障碍的不同神经退行性原因来提高 EEG 在记忆护理中的临床效用。