TFEnet：用于双重成瘾诊断的脑电图（EEG）特征增强与融合方法

《Biomedical Signal Processing and Control》：TFEnet: EEG feature enhancement and fusion for dual-addiction diagnosis

　　

Jing Wu|Guofeng Yu|Nan Zhang|Xiaorui Zheng|Xiaoli Yang|Hui Huang

温州大学计算机科学与人工智能学院，中国温州，325035

摘要

药物和酒精成瘾会导致身体功能下降，增加患严重健康问题的风险，如心血管疾病和肝脏问题。此外，它们还会扰乱个体的心理状态和社会功能，严重影响患者及其周围人的生活质量。传统的辅助诊断模型通常针对单一成瘾情况进行研究。为了解决这个问题，我们提出了TFEnet模型。与传统方法不同，我们在构建EEG时进行了创新，仅在时间-频率分析后选取了与成瘾机制相关的三个频带，并引入了EEG的嵌入表示。在EEG特征提取阶段，我们使用深度可分离卷积和方向自适应特征调制技术进行局部和全局特征提取。在第三阶段，我们设计了轻量级的EEG特征增强模块和时间-频率嵌入融合模块分别用于特征增强和融合。我们将该模型应用到药物成瘾和酒精成瘾的数据集上，在药物成瘾数据集上获得了85.47%、85.53%、85.47%和85.45%的准确率、精确度、召回率和F1分数，在酒精成瘾数据集上获得了87.59%、87.54%、87.59%和87.56%的分数。与最近的模型相比，TFEnet表现出更优越的性能。TFEnet的核心实现已公开发布在https://github.com/cmcc122/TFEnet。

引言

脑电图（EEG）通过在头皮上放置电极来记录大脑的电活动，能够以高时间分辨率和非侵入性方式捕捉皮层电压波动[1]。这些优势使得EEG在神经疾病诊断中得到广泛应用。在睡眠研究中，EEG有助于识别不同的睡眠阶段[2][3][4]，如浅睡眠、深度睡眠和快速眼动（REM）睡眠。在阿尔茨海默病（AD）诊断中，EEG有助于早期检测神经退行性变化[5][6]。在癫痫诊断[7]中，EEG作为标准工具用于监测异常脑活动（如尖波或强波），定位发作起始区域，并评估发作类型和频率，从而支持个性化治疗策略[8]。

酒精和药物成瘾对身心健康都构成严重威胁[9]。长期饮酒可能导致肝脏损伤、胃肠道疾病和心血管问题，同时还会损害神经系统，导致认知能力下降、抑郁、焦虑以及与酒精相关的痴呆和自杀风险增加。药物成瘾（例如海洛因、可卡因、甲基苯丙胺）对脑功能的影响更为广泛。它会破坏大脑的奖赏系统，造成不可逆的结构和功能损伤，增加攻击性、焦虑和抑郁，并增加感染（如HIV和肝炎）和心血管疾病的风险。在严重情况下，药物过量可能导致死亡。由于成瘾带来的强烈依赖性，个体常常陷入恶性循环，经历社会功能下降、家庭关系紧张和职业不稳定[10]。

EEG在辅助诊断酒精[11][12]和药物成瘾[13]方面具有显著优势。首先，EEG提供高时间分辨率，允许实时观察不同条件下的脑活动，从而揭示成瘾个体的功能异常[14]。研究表明，酒精和药物成瘾者在处理奖励和冲动控制时展现出特定的电活动模式。EEG有助于识别这些神经生物学标志物，实现早期诊断。其次，EEG是一种非侵入性且无痛的技术，与其他神经影像学方法相比更具成本效益和便利性[15]。此外，EEG允许持续监测脑功能，对于评估治疗效果和跟踪戒断症状非常有价值[16]。因此，EEG不仅为诊断酒精和药物成瘾提供了客观的生物标志物，还支持个性化治疗计划的制定和结果评估。

虽然之前的研究分别探讨了基于EEG的游戏成瘾[17][18]、酒精成瘾[19][20]和药物成瘾[21]的识别方法，但没有模型是专门为联合诊断这两种成瘾而设计的。为了解决这一空白，我们提出了TFEnet模型，旨在帮助诊断这两种情况。TFEnet的设计包括三个关键方面：

• •
  基于成瘾机制的EEG频带选择。与使用五个频带的传统方法[22][23]不同，我们选择了与成瘾机制相关的三个关键频带，并结合了EEG嵌入表示以增强特征学习。
• •
  EEG特征增强模块的设计。该模块位于特征提取之后，用于精炼特征表示并提高模型捕捉关键信息的能力。
• •
  时间-频率嵌入融合模块的引入。与主要处理两组特征图的传统融合方法不同，我们的模块专门设计用于融合四组特征图。此外，我们还将其与其他 simpler 的融合策略进行了比较以验证其有效性。

本研究旨在探索TFEnet在基于EEG的成瘾诊断中的潜力，并提供一种新的方法来联合识别酒精和药物成瘾。

章节片段

材料

本文使用了两个数据集：一个是我们在收集和处理的药物成瘾数据集，另一个是从UCI获取的酒精成瘾数据集。以下部分将详细描述这两个数据集。

方法论

如图2所示，TFEnet包括四个阶段。第一阶段是构建EEG表示，包括EEG的时间-频率表示和EEG的嵌入表示，提供了对脑活动的全面描述。第二阶段是EEG特征提取，通过深度可分离卷积进行局部特征提取，通过方向自适应特征调制进行全局特征提取

实验和结果

我们的实验在Python 3.8和PyTorch 2.0.1环境中进行，模型训练在NVIDIA GeForce RTX 4070 GPU上进行。

为了与实际应用保持一致，我们确保每个受试者的数据仅出现在训练集或测试集中，防止数据泄露。此外，我们采用了不同的数据划分策略来保证有足够的训练数据：80%的药物成瘾数据集用于训练，而85%的酒精

讨论

EEG在辅助诊断中的应用已广泛应用于医学领域，包括阿尔茨海默病、癫痫和运动想象EEG（MI-EEG）等领域。同时，酒精成瘾、药物成瘾和游戏成瘾等问题的危害也受到了越来越多的关注。尽管许多研究人员之前分别研究了这些问题，但据我们所知，尚未有模型能够同时协助诊断

结论

药物和酒精成瘾带来了重大危害，前者导致严重的生理损伤，如器官衰竭和免疫系统抑制，同时还会引起强烈的心理依赖、行为障碍和更高的犯罪率，从而对社会安全构成严重威胁。后者则破坏了各种身体系统的功能，尤其是肝脏和神经系统，导致慢性疾病和心理健康问题

CRediT作者贡献声明

Jing Wu:概念提出、调查、数据整理、方法论设计、软件开发、正式分析、验证、撰写——原始稿准备。Guofeng Yu:撰写——审阅与编辑。Nan Zhang:方法论设计、软件开发、正式分析、验证、撰写——原始稿准备。Xiaorui Zheng:撰写——审阅与编辑。Xiaoli Yang:撰写——审阅与编辑。Hui Huang:撰写——审阅与编辑、撰写——原始稿准备。

伦理审批

作者确认所有程序均符合相关法律法规和机构准则，并得到了相应的伦理委员会批准。本研究的伦理批准由温州中心医院伦理委员会授予（批准编号：WZYCH-EA L2025-03-024）。所有参与者均签署了知情同意书，他们的隐私权在整个研究过程中得到了充分尊重。

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所述的工作。

致谢

本研究得到了国家自然科学基金（编号：62072340）、温州市关键科技创新项目（编号：ZG2022014和ZF2024002）以及温州市科技计划项目（编号：S20240048）的支持。