基于多特征融合自组织操作神经网络的医学时间序列分类

《Biomedical Signal Processing and Control》：Medical time series classification based on multi-feature fusion self-organized operational neural network

医学时间序列分类中提出基于Self-ONN的多特征融合架构，通过1D Self-ONN Transformer提取原始信号特征，2D Self-ONN提取时频域特征，并采用MFAG模块融合，在参数量减少83.7%的情况下实现MCC 99.64%、F1-Score 99.81%和Accuracy 99.85%的优异性能。

　　在现代医学领域，时间序列数据的分类已经成为诊断和治疗疾病的重要工具。医学时间序列（Medical Time Series, MedTS）通常指的是在连续时间点上记录的健康相关数据，例如心电图（ECG）、脑电图（EEG）等。这些数据能够反映人体生理活动的动态变化，对于疾病的早期识别、实时监测以及个性化治疗具有重要意义。然而，MedTS分类面临诸多挑战，包括数据的高维度性、复杂性以及异质性，这使得传统的特征提取方法难以全面捕捉其内在信息。同时，随着深度学习技术的发展，模型的参数数量迅速增加，这不仅提高了计算成本，还限制了其在实际医疗场景中的应用。

目前，主流的MedTS分类方法主要依赖于多分支卷积神经网络（Multi-Branch Convolutional Neural Networks, CNNs）来提取特征。这种策略在一定程度上提升了分类的准确性，但同时也带来了模型复杂度和参数数量的显著增长。面对这一问题，研究者们开始探索更高效的模型结构，以在保持分类性能的同时减少参数量。近年来，Self-Organized Operational Neural Network（Self-ONN）作为一种新兴的神经网络架构，因其自适应性和低参数特性，引起了广泛关注。Self-ONN不同于传统的CNN，它引入了可学习的非线性操作，使得每个神经元能够根据输入特征自动选择最合适的运算方式，从而更好地捕捉医学信号中的非线性模式。

基于这一背景，本文提出了一种基于Self-ONN的多特征融合框架，命名为Multi-Feature Fusion Self-Organizing Operational Neural Network（MFSONN）。该框架旨在通过同时处理原始的一维医学信号和其二维时频表示（Time-Frequency Representation, TFRs），提升分类效果并降低模型复杂度。具体而言，MFSONN采用了一个1D Self-ONN Transformer编码器和一个2D Self-ONN编码器，分别用于提取原始信号和其时频表示的嵌入表示。随后，通过一个Multi-Feature Attention-Guided（MFAG）融合模块，将这些嵌入表示整合到一个统一的潜在空间中。该模块通过自适应加权策略优化不同特征之间的融合，进一步增强模型的表征能力。

在实验部分，本文在三个公开的MedTS数据集上进行了验证，包括PhysioNet上的PTB Diagnostic ECG Database和MIT-BIH Arrhythmia Database，以及UCI仓库中的Epileptic Seizure Recognition（ESR）数据集。实验结果表明，MFSONN模型仅需680,623个参数，其分类性能在多个指标上均优于其他基于CNN的方法，包括Matthews Correlation Coefficient（MCC）达到99.64%，F1-Score达到99.81%，Accuracy达到99.85%。这些结果不仅验证了Self-ONN在医学时间序列分类中的有效性，也表明该框架在减少模型参数的同时，能够保持甚至超越传统方法的分类精度。

医学时间序列的分类不仅需要准确识别信号的特征，还需要对这些特征进行有效的解释，以便医生能够理解模型的决策过程。因此，本文提出的MFSONN框架在设计时特别考虑了模型的可解释性。通过引入注意力机制，该模型能够在融合不同特征时，自动识别哪些特征对分类结果具有更大的贡献。这种自适应的融合策略使得模型能够更好地适应不同类型的医学信号，提高其在实际应用中的泛化能力。

此外，本文还对现有的MedTS分类方法进行了系统性的回顾。早期的研究主要依赖于传统的机器学习方法，如支持向量机（SVM）和随机森林（RF），这些方法通常需要人工提取特征，包括时域特征、频域特征和非线性特征。然而，这种方法存在明显的局限性，例如依赖专家知识、缺乏对复杂信号的适应性，以及特征表达能力有限。近年来，随着深度学习的发展，研究者们开始尝试使用端到端的模型，以自动提取医学信号中的关键特征。常见的策略包括使用LSTM网络进行时序建模、利用CNN进行局部特征提取、结合自注意力机制进行全局表示学习，以及将这些方法进行混合使用。例如，CAT-Net模型结合了CNN、注意力机制和Transformer，用于单导联心电图的异常检测；而EEG-Deformer模型则通过将1D EEG信号转换为2D时频表示，并利用密集CNN进行特征提取，提高了脑机接口应用的性能。

然而，大多数现有方法在处理医学时间序列时，往往将原始信号和其时频表示分开处理，缺乏对两者之间关系的深入建模。这导致模型在捕捉信号的时空特性方面存在一定的局限。另一方面，许多多特征融合模型仍然依赖于多分支CNN结构，这虽然在特征提取方面具有一定的优势，但显著增加了模型的复杂度和计算资源的需求。因此，本文提出了一种新的方法，通过引入Self-ONN架构，替代传统的CNN，实现更高效的特征提取和融合。

Self-ONN的核心思想在于其自适应的操作机制。传统的CNN通常使用固定的卷积操作，而Self-ONN则允许每个神经元根据输入数据的特性，动态选择最优的非线性操作。这种机制不仅提高了模型的灵活性，还增强了其对复杂医学信号的建模能力。在医学信号分析中，这种自适应性尤为重要，因为不同患者或不同疾病的信号可能具有截然不同的特征分布。通过Self-ONN，模型能够更有效地适应这些变化，从而提高分类的准确性。

本文提出的MFSONN框架通过将1D Self-ONN与Transformer相结合，以及引入2D Self-ONN来处理时频表示，实现了对医学信号的多维度建模。1D Self-ONN Transformer编码器能够捕捉原始信号中的时间依赖性，而2D Self-ONN则能够提取时频表示中的空间特征。这两种结构的并行使用，使得模型能够在不同的特征层面进行信息融合，从而更全面地表征医学信号。此外，MFAG融合模块通过自适应加权策略，优化了不同特征之间的融合过程，使得模型能够更有效地利用多源信息，提升分类性能。

在实际应用中，医学时间序列分类的高效性对于医疗资源的合理配置和疾病的及时诊断具有重要意义。随着医疗数据的不断积累，传统的基于CNN的多特征融合方法在参数数量和计算成本方面已经难以满足需求。而MFSONN的低参数特性，使其在资源受限的环境中也具有较高的应用潜力。例如，在移动医疗设备或远程医疗系统中，模型的轻量化是实现高效部署的关键因素。此外，MFSONN的可解释性也为临床医生提供了更直观的决策依据，有助于提升模型在实际医疗场景中的可信度和实用性。

为了进一步验证MFSONN的有效性，本文在三个不同的MedTS数据集上进行了实验。这些数据集涵盖了心电图、脑电图等不同类型的医学时间序列，具有较高的代表性和挑战性。实验过程中，本文对数据进行了标准化处理，包括去除噪声、归一化信号强度、分割数据集等步骤。通过这些预处理，确保了模型能够在统一的输入条件下进行训练和评估。在模型训练阶段，本文采用了交叉验证策略，以评估模型在不同数据划分下的稳定性。此外，为了对比MFSONN与其他方法的性能，本文选择了多个具有代表性的基准模型，包括基于CNN的多特征融合模型和基于Transformer的模型。

实验结果表明，MFSONN在三个数据集上的表现均优于其他方法。在PTB Diagnostic ECG Database上，该模型在多个评估指标中均取得了最优成绩，显示出其在心电图分类任务中的强大能力。在MIT-BIH Arrhythmia Database上，MFSONN在检测心律失常方面表现出色，其高准确率和高F1-Score进一步验证了模型的有效性。而在ESR数据集上，该模型在癫痫发作识别任务中同样取得了优异的性能，证明了其在处理不同类型的医学时间序列时的广泛适用性。这些结果不仅展示了MFSONN在分类性能上的优势，也说明了其在减少参数数量方面的显著成效。

在模型设计方面，本文强调了Self-ONN与传统CNN之间的区别。传统CNN通常采用固定的卷积核进行特征提取，而Self-ONN则通过引入可学习的非线性操作，使得模型能够根据输入信号的特性自动调整其特征提取方式。这种自适应性不仅提高了模型的灵活性，还增强了其对复杂医学信号的建模能力。例如，在处理心电图信号时，Self-ONN能够自动识别不同波形的特征，并选择最合适的非线性操作进行处理，从而提高分类的准确性。而在处理脑电图信号时，该模型能够有效捕捉不同频率成分之间的关系，为癫痫发作的识别提供更丰富的信息。

除了参数数量的减少，MFSONN还具有显著的计算效率优势。由于Self-ONN的结构更为紧凑，其计算过程相比传统CNN更为高效。这使得MFSONN在处理大规模医学数据时，能够更快地完成训练和推理任务。此外，该模型的轻量化特性也使其更容易部署在边缘设备上，为实时医疗监测提供了新的可能性。例如，在医院的远程监护系统中，MFSONN可以用于实时分析患者的心电图或脑电图数据，帮助医生及时发现异常情况，提高诊疗效率。

在医学信号分析中，模型的可解释性也是一个重要的考量因素。尽管深度学习模型在分类性能上表现出色，但其“黑箱”特性往往使得医生难以理解模型的决策依据。为了克服这一问题，本文提出的MFAG融合模块通过引入注意力机制，使得模型在融合不同特征时能够提供更清晰的权重分配。这种机制不仅有助于模型在特征层面进行有效的信息整合，还为医生提供了一种直观的方式来理解模型的决策过程。例如，在分析心电图信号时，MFAG模块可以突出显示哪些特征对分类结果具有更大的影响，从而帮助医生更准确地判断病情。

此外，本文还探讨了MFSONN在不同医学应用场景中的潜在价值。在心电图分类任务中，该模型能够有效识别不同的心律失常类型，为心脏病的早期诊断提供支持。而在脑电图分析中，MFSONN能够捕捉大脑活动的时空特征，为癫痫发作的识别和脑机接口技术的发展提供新的思路。这些应用不仅展示了MFSONN在医学时间序列分类中的广泛适用性，也表明其在实际医疗场景中的重要价值。

总的来说，本文提出了一种基于Self-ONN的多特征融合框架，旨在提升医学时间序列分类的性能，同时降低模型的复杂度和参数数量。通过引入1D Self-ONN Transformer编码器和2D Self-ONN编码器，该模型能够同时处理原始信号和其时频表示，从而更全面地表征医学数据。MFAG融合模块则通过自适应加权策略，优化不同特征之间的融合过程，进一步提升模型的分类能力。实验结果表明，MFSONN在多个MedTS分类任务中均表现出色，其高分类准确率和低参数量的优势，使其在实际医疗应用中具有重要的推广价值。未来，随着医学数据的不断增长和深度学习技术的持续发展，MFSONN有望在更多医学时间序列分类任务中发挥重要作用，为医疗行业提供更加高效和可靠的解决方案。