FPMBGCN：基于特征金字塔的多分支图卷积网络，用于癫痫发作检测

《Biomedical Signal Processing and Control》：FPMBGCN : Feature pyramid-based multi-branch graph convolutional networks for epileptic seizure detection

癫痫发作检测基于多分支图卷积网络的特征金字塔方法提出，通过Pearson相关系数、相位锁定值和空间距离构建三种互补图结构，结合通道权重自适应优化、图特征金字塔多尺度提取、图塞乔-卡+len注意力机制及自注意力机制，有效捕捉跨患者共享的时空特征，在CHB-MIT和Siena数据集上实现高精度跨患者检测。

　　

张忠飞|赖家龙|张旭|崔菲菲|胡正|冯彦萍|万颖

江西科技大学理学院，中国赣州341000

摘要

癫痫是一种常见的神经系统疾病，自动检测发作期在临床诊断和治疗中起着至关重要的作用。然而，患者之间的发作模式存在显著差异，这给跨患者检测带来了巨大挑战，包括模式异质性和噪声干扰。传统的卷积神经网络难以模拟脑电图（EEG）通道之间的拓扑依赖性，而现有的图神经网络（GNN）方法通常依赖于单一图输入，在捕捉通道间拓扑关系方面能力有限。为了解决这些限制，本文提出了一种基于特征金字塔的多分支图卷积网络（FPMBGCN），用于利用多通道EEG信号检测癫痫发作。该方法构建了三种互补的图结构：皮尔逊相关系数（PCC）、相位锁定值（PLV）和空间距离（SD）图，以提取患者间的共有拓扑特征。此外，它还结合了通道权重模块来动态强调关键通道，图特征金字塔来捕捉多尺度信息同时抑制噪声，以及图挤压-激励（GraphSE）模块和自注意力机制来增强空间和时间动态的表示能力。所提出方法的性能在CHB-MIT数据集和Siena头皮EEG数据集上通过留一法交叉验证进行了评估。对于CHB-MIT数据集，FPMBGCN在跨患者检测中达到了92.21%的平均准确率、94.50%的精确度、90.03%的召回率和78.59的F1分数；在Siena数据集上，准确率为77.94%、精确度为76.25%、召回率为81.37%、特异性为74.41%、F1分数为78.59%。

引言

癫痫是一种常见的神经系统疾病，其特征是大脑神经元突然出现阵发性异常放电，被归类为慢性非传染性疾病[1]。癫痫发作源于大脑中兴奋性和抑制性突触活动的不平衡，导致异常的脑电图（EEG）模式，通常表现为肢体抽搐、意识丧失、感觉障碍或行为变化[2]。这些症状的多样性和不可预测性使得癫痫对患者的生活质量产生了深远影响。根据世界卫生组织（WHO）的统计数据，全球约有5000万人患有癫痫[3]，并且每年新增病例数以数百万计。频繁的癫痫发作对患者的身体健康和心理健康构成严重威胁，可能导致记忆障碍、认知衰退和整体功能残疾，在严重情况下甚至可能危及生命。此外，癫痫给患者家庭和社会带来了巨大的医疗和经济负担。

EEG信号是研究和诊断癫痫的主要依据，根据发作进展通常分为四个阶段：发作间期、发作前期、发作期和发作后期[4]。在这些阶段中，准确识别发作期尤为重要，因为它直接关系到癫痫的临床表现和治疗干预的时机。传统上，癫痫诊断依赖于多种医学成像技术，包括计算机断层扫描（CT）、磁共振成像（MRI）和高密度EEG[5]。其中，EEG因其出色的时间分辨率而受到高度重视。尽管其空间分辨率相对有限，但EEG在捕捉异常神经元放电的动态特征方面具有不可替代的优势[6]，[7]，并被广泛认为是最有效的癫痫诊断工具之一。癫痫发作检测旨在区分EEG信号是否对应于发作期。在常规临床实践中，这项任务主要由神经科医生和经验丰富的临床医生通过视觉检查和手动标注EEG记录来完成[8]。然而，这种方法面临几个挑战。首先，癫痫发作的起始时间和持续时间高度不可预测，使得从大规模EEG数据中识别发作段既费时又费力。其次，手动解释本质上是主观的，且强烈依赖于临床医生的经验和注意力水平，可能导致检测准确率低和误诊率高[9]。这些限制不仅限制了癫痫诊断的准确性，还在一定程度上延迟了患者的治疗过程。因此，使用自动化方法进行EEG信号分析对于简化和加速发作检测至关重要，已成为大多数现有研究的主要焦点。

由于单个EEG记录的持续时间通常从几小时到几十小时不等，研究人员经常将EEG信号分割成短时间窗口，并对每个窗口内的信号进行分类，以确定数据是否对应于发作期。主流研究采用机器学习或深度学习方法来解决这个问题[10]，[11]。然而，大多数先前的研究都集中在单患者训练和测试策略上，即使用同一患者的数据进行模型训练和测试，其中一部分数据被保留作为测试集。这种设置不可避免地限制了这些方法的实际应用范围。具体来说，分类模型仅对其见过的数据的患者表现出高检测性能，而对于未见过的患者，泛化能力较差。相比之下，跨患者设置严格区分用于训练和测试的患者，模型在多个患者的EEG数据上进行训练，并在未参与训练的患者上进行评估。跨患者实验旨在评估在多患者数据上训练的模型应用于未见过的患者EEG记录时的性能[12]。实际上，跨患者研究更接近现实世界情况，这对于临床药物治疗至关重要，因为临床应用通常倾向于通用模型，这些模型能够在不同患者之间发挥作用并需要强大的泛化能力来适应新患者数据。然而，传统的卷积神经网络（CNN）无法有效捕捉EEG通道之间的拓扑关系，限制了它们表示复杂空间结构的能力。此外，尽管图神经网络（GNN）通常使用单一图结构对EEG数据进行建模，可以编码功能连接性，但这种表示方式难以同时结合空间位置信息和动态依赖性，尤其是跨受试者共享的不变特征。因此，模型在跨患者场景中的性能可能会显著下降。

与单患者研究相比，跨患者研究更加困难，但具有更大的改进潜力。这是因为不同患者之间的发作模式存在很大差异。此外，在EEG记录中，发作期数据远少于发作间期数据，导致正样本和负样本之间的类别不平衡严重，从而降低了分类模型的性能。在跨患者实验设置中，这个问题更加明显。例如，在最新的癫痫检测研究中[13]，在CHB-MIT数据集上测试的模型在单患者测试中的平均准确率为99.32%，平均召回率为98.74%；而在跨患者测试中，性能下降到平均准确率为89.45%，召回率为84.72%。

本文的主要贡献如下：

• •
  多分支图卷积网络：本研究提出了一种多分支图卷积网络框架，使用皮尔逊相关系数和相位锁定值（PLV）构建EEG通道之间的功能连接性，同时结合欧几里得距离来捕捉通道间的空间位置信息。这种设计能够有效提取患者不变特征，并显著提高跨患者发作检测的泛化性能。
• •
  通道权重模块设计：引入了通道权重模块，自动为多通道EEG信号分配适应性权重。通过抑制与癫痫发作关系较小的通道，所提出的机制减少了非信息通道对分类性能的影响。
• •
  图特征金字塔模块（GraphFPN）：引入图特征金字塔（GraphFPN）通过池化和反池化操作自适应地提取多尺度图特征。使用加权残差（ReZero）操作实现特征融合，减少噪声的同时保留关键特征，提高了模型表示复杂图结构的能力。
• •
  图挤压-激励（GraphSE）模块：提出的GraphSE模块结合挤压-激励机制，在全局池化过程中动态修改图结构的权重，增强特征映射，从而提高分类性能。
• •
  自注意力机制：引入自注意力机制，计算不同输入图结构之间的注意力分数，使模型能够捕捉图表示之间的依赖性，进一步提高局部特征的区分能力。

相关工作

基于EEG的癫痫发作检测长期以来一直是一个热门的研究课题。早期研究集中在特征工程上，从EEG信号中提取时域、频域或时频特征进行分类。这些特征提取方法可以从原始数据中获取相关信息，从而更好地理解模型在任何时刻关注的内容，从而提高分类准确性。例如，Tian等人[14]使用了快速傅里叶变换（FFT）和小波

材料

在本节中，我们解释了跨患者癫痫检测的方法论，并详细介绍了数据处理流程。本研究使用CHB-MIT数据集和Siena Scalp数据集进行实验，通过通道选择、滤波和数据分割预处理EEG信号，以确保数据质量和模型的实际训练效果。

方法

为了解决上述挑战，我们提出了一种基于特征金字塔的多分支图卷积网络（FPMBGCN），用于从多通道EEG信号中提取特征并检测癫痫发作。通过整合多种图结构、通道权重模块、图特征金字塔、GraphSE模块和自注意力机制，该模型改进了复杂时空EEG特征的表示能力，从而提高了跨患者癫痫检测的性能

训练设置

为了全面评估所提出的FPMBGCN，我们训练了跨患者模型和单患者模型。在跨患者模型中，使用多个患者的数据进行训练，其中一个患者的数据被保留作为测试集。由于发作间期信号比发作期信号更常见，因此在训练过程中发作间期和发作期样本的数量按1:1的比例进行了平衡。模型重新训练了24次，每次训练都使用一个患者作为测试集，以计算平均

性能比较

在本研究中，我们提出了一种基于图卷积网络的多通道EEG信号癫痫检测新方法，利用三种图表示：皮尔逊相关系数、PLV和空间距离。比较实验进一步展示了FPMBGCN模型在癫痫发作检测任务中的性能优势。通过将我们的结果与以往的研究进行比较，我们全面了解了该模型在跨患者发作检测中的性能

结论

在本研究中，我们的目标是提高模型在新患者数据上的分类性能，重点提取患者间的共同特征。我们提出了一种基于特征金字塔的多分支图卷积网络（FPMBGCN），它将多通道EEG信号转换为三种独立的图结构，结合通道权重、图特征金字塔、GraphSE模块和自注意力机制，以增强时空特征提取和分类能力

CRediT作者贡献声明

张忠飞：概念化、方法论、软件、验证、形式分析、可视化、撰写——原始草稿。赖家龙：监督、资源获取、资金筹集、撰写——审阅与编辑。张旭：数据管理、验证、可视化。崔菲菲：撰写——审阅与编辑。胡正：方法论、研究、资金筹集、撰写——审阅与编辑。冯彦萍：数据管理、撰写——原始草稿。万颖：研究、验证、形式化

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本工作得到了澳门科学技术发展基金（FDCT）（拨款 0021/2024/RIA1、0158/2024/ AFJ、0034/2024/AMJ）、中国赣州科学技术计划的青年人才项目（拨款 2023CYZ26970）、江西科技大学的研究生创新专项基金项目（拨款 XY2024-S212 和 XY2024-S213）、江西省研究生创新专项基金项目（拨款 YC2024-S529）以及重点实验室