基于多模态联邦学习与记忆高效自注意力的癫痫病灶精准检测新方法——MultiEpilepsyNet框架研究

《Brain Research Bulletin》：MultiEpilepsyNet: An EEG and MRI Data based Multimodal Seizure Detection Model using Hybrid Deep learning Model

本研究针对癫痫病灶检测中多模态数据（EEG和MRI）融合困难、计算资源消耗大及隐私保护需求等问题，提出了名为MultiEpilepsyNet的新型联邦学习框架。该研究创新性地结合了记忆高效自注意力机制（MESA）、改进型3D分割网络EpiSkullNet++以及混合特征选择算法JWHO，实现了对癫痫发作状态的精准分类（正常、发作间期、发作期）。结果表明，该方法在CHB-MIT和OpenNeuro数据集上显著提升了分类准确率，同时有效保护了患者数据隐私，为临床癫痫辅助诊断提供了可靠的技术支持。

　　

癫痫是一种常见的神经系统疾病，全球约有5000万患者，其诊断和治疗一直面临巨大挑战。传统的癫痫诊断主要依赖脑电图（EEG）和磁共振成像（MRI）两种模态数据，但临床上往往面临"数据孤岛"问题——不同医院的医疗数据无法共享，导致模型训练样本不足；而多模态数据融合又存在算法复杂、计算资源消耗大等难题。更棘手的是，癫痫发作的异质性强，发作模式多变，使得精准检测异常脑电活动和影像学病灶变得异常困难。

正是在这样的背景下，研究人员在《Brain Research Bulletin》上发表了题为"MultiEpilepsyNet: A novel federated learning framework with memory-efficient self-attention for multimodal epilepsy detection using EEG and MRI"的研究论文，提出了一种创新的解决方案。该研究巧妙地将联邦学习与多模态数据分析相结合，既保护了患者隐私，又实现了对癫痫状态的精准识别。

为了开展这项研究，团队采用了几个关键技术方法：首先，他们构建了一个包含CHB-MIT scalp EEG数据库（664条记录）和OpenNeuro的MRI数据集（85名患者）的多模态数据集；其次，开发了EpiSkullNet++进行3D MRI颅骨剥离和预处理；然后，设计了一种记忆高效的自注意力机制（MESA）来降低计算复杂度；最后，提出了Jackal-Wolf混合优化器（JWHO）进行特征选择，确保提取最相关的生物标志物。

研究结果部分，作者通过多个实验验证了方法的有效性：

数据处理与特征提取表明，研究团队首先对EEG信号进行了经验模态分解（EMD）和自适应高斯滤波去噪，然后使用小波包去噪（WPD）消除基线漂移。对MRI数据则采用N4ITK偏置场校正和CLAHE对比度增强。特征提取阶段，从EEG中提取了基于小波的时频特征、Hjorth参数、分形维数、谱熵和样本熵；从MRI中提取了GLCM、LBP和Haralick纹理特征，并结合ResNet50深度特征。

模态互补与联邦学习架构显示，研究者设计了一个双通道网络，EEG分支使用1D-CNN结合CBAM注意力机制，MRI分支采用Swin Transformer结合3D可变形卷积。通过联邦平均（FedAvg）算法聚合各客户端的模型参数，实现了数据不出院的分布式训练。

记忆高效自注意力机制（MESA）证明，与传统Transformer相比，MESA将内存复杂度从O(T_c²·A_H·W)降低到O(T_c)，使得在资源受限环境下处理3D MRI数据成为可能。

实验结果表明，MultiEpilepsyNet在癫痫状态分类任务中准确率达到96.7%，精确度、召回率和F1分数均超过95%，显著优于单模态方法和传统联邦学习方案。消融实验进一步验证了各模块的贡献，特别是MESA和JWHO对性能提升的关键作用。

研究的讨论部分强调，这项工作首次将记忆高效自注意力与联邦学习结合用于癫痫检测，解决了多中心医疗数据共享的隐私保护难题。提出的EpiSkullNet++在颅骨剥离任务上达到98.2%的Dice系数，优于现有方法。Jackal-Wolf混合优化器通过平衡探索与利用，实现了特征选择的最佳权衡。

这项研究的重要意义在于为癫痫的精准诊断提供了新的技术路径，其联邦学习框架使得多家医院能够在保护患者隐私的前提下协同训练模型，有望在临床实践中推广应用。未来，团队计划将这一框架扩展到其他神经系统疾病的诊断中，推动人工智能在医疗领域的深度融合。