CNN-Autoformer：基于混合深度学习的癫痫脑电自动检测与定位方法

本文提出了一种创新的混合深度学习框架CNN-Autoformer，巧妙结合卷积神经网络（CNN）的空间特征提取能力与Autoformer架构的时间序列建模优势。该模型通过CNN捕捉多通道脑电图（EEG）的通道间关联性，利用Autoformer的自相关机制分解信号趋势与周期成分，在公开数据集CHB-MIT上实现了98.34%的准确率和0.983的F1分数，其生成的癫痫发作热图与专家标注高度吻合，为临床癫痫检测与定位提供了高鲁棒性、可解释性的智能诊断方案。

　　

^亮点

• 我们设计了一个混合框架CNN-Autoformer，将CNN与改进的Autoformer架构相结合，有效捕捉多通道EEG信号中局部空间特征和长程时间依赖性。据我们所知，这是首次将Autoformer风格架构应用于基于EEG的癫痫检测，其设计选择专门针对多通道头皮EEG。

• 所提出的模型在两个不同数据集上进行了全面验证：公开可用的CHB-MIT数据集和专有长期头皮EEG数据集（SH-SDU）。这种双数据集评估证明了模型在不同数据分布和记录环境下的鲁棒性和强大泛化能力。

• 模型生成基于注意力的热图，与临床标注的癫痫发作起始区对齐，突出了其在癫痫发作定位和可视化方面的潜力，这在以往研究中很少被探索。

• 与基线方法相比，我们的方法实现了高灵敏度和显著降低的误检率，这凸显了其在实时癫痫检测和监测系统中临床部署的实际价值。这些结果凸显了CNN-Autoformer作为自动癫痫检测有效工具的潜力，有助于推动时间序列模型在生物医学信号处理领域的进步。

^消融研究

为了进一步验证时间分解机制的有效性以及CNN捕捉通道间信息的能力，我们进行了一项消融研究。我们比较了不带CNN进行通道间信息关联的Autoformer模型、不带时间分解模块的CNN-Autoformer模型以及本研究中使用的带时间分解模块的提议CNN-Autoformer模型的性能。

表8基于CHB-MIT数据集的结果比较显示，提议的CNN-Autoformer模型在所有评估指标上均优于其他变体。具体而言，与不带时间分解模块的模型相比，完整模型在准确率上提高了1.23%，在特异性上提高了1.85%。与不带CNN的Autoformer模型相比，完整模型在灵敏度上提高了0.59%，在F1分数上提高了0.011。这些结果证实了时间分解机制在捕捉EEG信号中长期时间依赖性方面的贡献，以及CNN在整合多通道信息以增强空间特征表示方面的有效性。

^结论

本研究提出了一种结合CNN和Autoformer的自动癫痫检测方法，实现了高性能和临床可解释性。CNN从多通道EEG中提取空间信息，建立通道间的关系，而Autoformer则在频域和时域捕捉EEG特征。利用CNN整合多通道时间序列数据的能力以及Autoformer自相关机制的效率，该方法显著提高了癫痫检测的准确性和鲁棒性。在两个不同数据集上的评估证明了其卓越的泛化能力。此外，模型生成的热图与专家标注的癫痫发作起始区高度一致，为临床诊断和术前评估提供了有价值的可视化工具。未来的工作将探索将该框架扩展到其他神经疾病诊断任务，并研究其在实时临床环境中的部署。