深度网络从脑电图（EEG）中学习特征的可视化新途径：揭示病理与健康状态的神经振荡模式与亚δ频段差异

本文综述了利用可逆网络（EEG-InvNet）和紧凑型可解释网络（EEG-CosNet）两种创新架构，结合可视化技术，系统解析深度神经网络在EEG病理解码任务中所学习的特征。研究不仅证实了已知生物标志物（如δ/θ频段高幅振荡），还意外发现亚δ频段（≤0.5 Hz）前额叶电极活动在健康类别中振幅更高，为EEG生物标志物发现提供了新视角。该方法突破了传统依赖预定义特征或局部解释的局限，实现了全局特征无关的可视化，对发现新型生物标志物和避免模型依赖伪特征具有重要意义。

　　

1 引言

可解释性是医学数据深度学习的重要方面。尽管存在关于解释方法在医学领域适用性的争论，但提高对深度网络所学特征的理解具有明确价值，例如有助于发现新生物标志物或揭示模型对不当捷径的依赖。现有EEG解码研究多采用局部解释方法（如Shapley值、Grad-CAM）或部分网络解释（如Deep Dream），而全局的、与特征无关的可解释性方法仍存在空白。此类方法能够揭示超出已确立标志物的学习特征，并促进新特征的发现。

2 方法

本研究开发了两种可解释性方法：基于可逆网络的生成模型和基于紧凑判别模型的解释网络。可逆网络（EEG-InvNet）通过耦合层、激活归一化层和可逆线性层构建，能够精确重构输入。训练时结合生成损失和分类损失，通过加权目标函数优化模型。紧凑网络（EEG-CosNet）则通过空间滤波、时间余弦相似性计算和线性分类实现完全可视化，其参数可解释为头皮拓扑图和时序信号模式。

2.1 可逆网络

可逆网络由显式设计的可逆层组成，其中耦合层将多维输入向量分割为两个不相交子集，并通过神经网络实现的函数进行可逆变换。加性耦合层的前向计算为：

_y1 = _x1 + f(_x2)

_y2 = _x2

逆计算则通过逆向变换实现精确重构。

2.1.1 作为生成模型的训练

通过最大化训练数据的平均对数似然进行优化，将输入映射到潜在空间并评估其在预定义先验分布下的密度。

2.1.2 作为分类器的训练

通过为每个类别分配独立的潜在高斯先验，利用贝叶斯定理计算后验类别概率。为提高分类性能，引入温度参数缩放分类损失，整体损失函数为生成损失与分类损失的加权和。

2.2 用于EEG解码的可逆网络

EEG-InvNet基于Glow架构，包含三个阶段，每阶段由多个块组成（激活归一化、可逆线性变换和耦合层）。时间信号通过Haar小波类似方法进行下采样，所有维度在整个过程中均被处理。使用加性耦合层以增强可解释性。

2.3 类别原型

通过反转各类别高斯分布的均值生成原型信号，提供各类别在原始输入空间的压缩表征。例如，健康类别原型通过反转潜在健康类别均值获得：

_xhealthy = EEG-InvNet^?1(_zhealthy)

这些原型可解释为各类别的典型示例，但需谨慎解释个体特征。

2.4 每电极原型

通过优化单电极信号以最大化目标类别的预测概率，同时边际化其他电极信号，获得更易解释的原型。实践中，通过蒙特卡洛采样近似计算边际化，并引入温度参数缩放分类损失以稳定训练。

2.5 EEG-CosNet

通过蒸馏训练将EEG-InvNet的预测概率作为软目标，训练紧凑可解释网络EEG-CosNet。该网络仅包含三步处理：空间滤波、绝对移动余弦相似性计算和时间平均，最终通过线性分类器权重进行类别预测。其参数可直接可视化为头皮拓扑和时序模式。

2.6 数据集

使用天普大学医院异常EEG数据库（TUAB）的缩减版本，包含2,993条临床EEG记录（1,521非病理，1,472病理）。预处理包括移除首分钟信号、提取随后2分钟数据、降采样至64 Hz，并分割为2秒窗口作为输入。

2.7 训练细节

使用AdamW优化器和余弦退火重启学习率调度，每25周期重启一次。超参数设置以稳定训练为目标，而非极致精度。

3 结果

3.1 EEG-InvNet解码结果

EEG-InvNet达到85.5%的准确率，优于EEGNet及深浅卷积网络基线，接近时序卷积网络（TCN）的性能，表明其竞争力。

3.2 类别原型

可视化显示健康原型在电极O1处呈现更强的α振荡，病理原型则显示多种振荡差异。意外的是，在亚δ频段（≤0.5 Hz），前额电极（FP1、FP2）的均值存在明显差异。

3.3 每电极原型

病理原型显示大振幅低频振荡（如T3、T4），符合病理中颞叶慢化的已知生物标志物；健康原型则显示α带活动（如C4、T6）。亚δ频段差异再次出现，部分电极无法合成明确类别指示信号，表明网络未学习强电极特异性特征。

3.4 EEG-CosNet

EEG-CosNet重现了EEG-InvNet 88.8%的预测，测试集标签准确率达82.6%。可视化显示健康类别与规则α/β频振荡相关，病理类别则与更慢或不规则波形相关。

3.5 相对功率谱比较

手动功率谱分析验证了可视化结果，显示delta至low gamma频段的功率差异与EEG-InvNet和EEG-CosNet的发现一致，包括亚δ频段的 discriminative 信息。

4 亚δ频率调查

原型中亚δ频分量的差异促使深入探究。训练仅保留≤0.5 Hz成分的低通滤波数据后，EEG-InvNet仍达到75.4%准确率，EEG-CosNet为75.0%，傅里叶高斯混合模型（Fourier-GMM）同样达到75.4%，表明极低频成分具有显著预测价值。

4.1 EEG-InvNet可视化

低通数据原型显示电极A1、A2处差异显著，每电极原型显示T3、T4、T6具强预测性信号。

4.2 EEG-CosNet可视化

显示健康类别与额叶成分相关，病理类别与颞叶成分相关，与每电极可视化一致。

4.3 Fourier-GMM可视化

再次显示健康类别的额叶成分及病理类别的颞叶及相关区域拓扑成分。

4.4 频谱分析

验证显示健康类别在额叶电极振幅更高，病理类别在颞叶电极振幅更高，证实可视化所提示的差异。

5 讨论

本研究引入的可视化方法提供了理解EEG病理解码中深度网络所学特征的新途径。类别原型可作为假设生成器，揭示意外特征（如亚δ频段差异）；每电极原型限制于单电极特征，更易解释；EEG-CosNet的参数完全可视化，显示α/β振荡与健康相关，慢波/不规则波与病理相关。亚δ频段前额活动差异的发现经手动频谱分析验证，提示可能与病理患者神经肌肉眼控减少所致眼动降低相关，但需进一步研究。未来工作可扩展至捕获类内变异，如生成多互补子原型或采用混合专家框架。总体而言，这些可视化方法为深化理解EEG深度网络提供了宝贵工具。