《Scientific Reports》：Hybrid quantum classical framework for electroencephalogram driven neurological processing in epileptic seizure taxonomy
编辑推荐：
本研究针对癫痫发作分类中脑电图（EEG）信号非平稳性、高维复杂性及传统深度学习模型泛化能力受限等关键问题，提出了一种基于连续小波变换（CWT）时频表征的混合量子-经典神经网络框架（HQCNF）。该框架融合卷积神经网络（CNN）的局部特征提取、视觉变换器（ViT）的全局上下文建模以及参数化量子电路（PQC）的非线性增强，在CHB-MIT和Bonn数据集上实现了99.0%的分类准确率与0.990的F1分数，显著优于现有量子启发与经典模型。研究成果为量子增强学习在神经信号处理中的临床转化提供了可行性验证，推动了智能神经诊断框架的发展。
癫痫作为全球最常见的神经系统疾病之一，严重影响患者生活质量，其诊断核心依赖于脑电图（EEG）信号的分析。然而，EEG信号具有非平稳、非线性和高维特性，传统机器学习方法在特征提取和分类精度上面临巨大挑战。尽管深度学习模型如卷积神经网络（CNN）和循环神经网络（RNN）已取得一定进展，但其性能受限于数据量需求大、计算资源密集以及对复杂时序-频谱依赖关系建模能力不足等问题。此外，现有量子启发方法多局限于模拟环境或缺乏与经典架构的深度融合，难以实现临床实时部署。为此，来自SR大学、国王哈立德大学等多机构研究人员在《Scientific Reports》发表论文，提出一种创新性的混合量子-经典框架（HQCNF），通过整合CWT时频分析、CNN-ViT双分支特征学习与量子变分层，显著提升了癫痫发作分类的准确性与鲁棒性。
本研究关键技术方法包括：（1）使用CWT将EEG信号转换为时频图像（Scalograms），以保留瞬态神经事件特征；（2）构建混合量子视觉变换器（QViT）架构，包含CNN局部特征编码、ViT全局注意力机制及4量子比特参数化量子电路（PQC）；（3）采用端到端训练策略，结合AdamW优化器、标签平滑与动态学习率调整，在CHB-MIT和Bonn数据集上完成二分类（发作/非发作）验证。
模型架构设计与训练优化
HQCNF框架以CWT生成的EEG时频图像为输入，通过并行分支处理：CNN分支（卷积层+池化）提取空间局部特征，ViT分支（图像分块+多头自注意力）捕获长程时序依赖，量子层（ZZFeatureMap编码+Real Amplitudes变分电路）生成非线性纠缠特征。三路特征拼接后经全连接层输出分类结果（图1）。训练过程中，采用数据增强（随机裁剪、旋转等）与归一化提升泛化能力，损失函数使用交叉熵结合标签平滑（ε=0.08），量子部分通过Qiskit模拟器实现梯度优化。
性能评估与结果分析
实验表明，HQCNF在测试集上达到99.0%准确率与0.990 F1值（表3），显著优于传统量子支持向量机（QSVM，96.0%）及经典混合模型（如Transformer-LSTM，98.0%）。ROC曲线下面积（AUC）达0.9995（图7），概率分布呈现显著双峰分离（图9），证实模型决策高置信度。t-SNE可视化（图10）显示发作/非发作特征簇清晰可分，印证量子层对特征判别性的增强作用。此外，校准曲线（图5）逼近理想对角线，表明概率输出与真实风险一致，适于临床决策支持。
讨论与展望
本研究首次将CWT时频表征与量子-经典混合学习结合，解决了EEG信号分类中的噪声敏感性和泛化不足问题。量子层通过希尔伯特空间中的纠缠态建模，提升了复杂特征关系的捕获能力，而CNN-ViT协作保障了计算效率与可解释性。局限性在于当前量子部分仍基于模拟环境，未来需探索轻量化量子硬件部署、多类别发作分型及跨中心迁移学习，以推动实时癫痫监测系统的实际应用。
结论：HQCNF框架通过量子增强的混合学习范式，为EEG驱动的新型神经疾病诊断工具开发提供了可行路径，标志着量子计算在生物医学信号处理领域迈向实用化的重要一步。
