基于图的脑电图（EEG）分析用于癫痫发作预测，该方法通过结合Kolmogorov–Arnold网络和自监督学习技术得到了增强

《Engineering Science and Technology, an International Journal》：Graph-based EEG analysis for seizure prediction enhanced with Kolmogorov–Arnold Networks and Self-Supervised Learning

癫痫预测模型SeizureNet-KAN通过融合图卷积网络（GCN）与可学习的Kolmogorov–Arnold网络（KAN），结合自监督学习（SSL）策略，有效捕捉EEG信号的复杂非线性动态与空间拓扑关系。实验表明，该模型在CHB-MIT数据集上实现97.68%的准确率、99.28%的AUC，显著优于传统GCN和单一SSL方法。通过对比学习和生成学习的协同优化，模型可自适应调整EEG图结构连接，减少对标注数据的依赖，并提升跨患者泛化能力。

　　
### 中文解读：基于图卷积网络与可学习激活函数的癫痫预测模型研究

#### 一、研究背景与问题
癫痫是一种常见的神经系统疾病，全球约5亿患者面临反复发作的风险，传统治疗方法对30%的耐药性患者效果有限。现有癫痫预测方法存在以下挑战：
1. **数据依赖性强**：需大量标注数据，临床获取困难；
2. **模型泛化能力不足**：患者脑电信号（EEG）的时空动态差异显著；
3. **非线性建模局限**：传统神经网络难以捕捉EEG信号复杂的非线性关系。

#### 二、方法创新
本研究提出**SeizureNet-KAN**模型，通过以下创新解决上述问题：

**1. 图卷积网络（GCN）与动态图构造**
- 将EEG信号转换为图结构：每个脑电通道为图节点，节点特征包括幅度均值、方差、峰峰值等统计量；
- 边权重基于**相位同步值（PLV）**计算，动态阈值过滤弱连接（阈值=中位数+标准差），保留强功能连接；
- 通过图卷积聚合邻域信息，捕捉脑区间的时空关联。

**2. 可学习的Kolmogorov–Arnold网络（KAN）**
- **核心思想**：将高维非线性映射分解为单变量B样条函数的叠加（定理证明任意连续函数可分解为有限个单变量连续函数之和）；
- **实现方式**：在GCN的激活函数中替换为可学习的B样条激活层，通过联合优化学习非线性映射；
- **优势**：相比ReLU等固定激活函数，KAN能自适应EEG信号的复杂非线性，提升特征表达能力。

**3. 混合自监督学习（SSL）**
- **对比学习**：通过数据增强（随机翻转、边缘删除、特征掩码）学习同一EEG图的相似性，区分不同患者的非相似性；
- **生成学习**：对20%的随机特征掩码进行重构，增强模型对缺失数据的鲁棒性；
- **联合优化**：采用加权损失函数（α=0.5平衡对比与生成任务），提升特征的全局一致性。

#### 三、技术流程
1. **数据预处理**：
- **滤波**：60Hz陷波滤除工频干扰，1Hz高通滤除基线漂移；
- **标准化**：统一电极布局，仅保留22个公共通道数据；
- **分段**：划分60分钟预发作期（Pre-ictal）和4小时间隔期（Inter-ictal）。

2. **图构建**：
- 计算每对通道的PLV值（相位差绝对值的均值），形成邻接矩阵；
- 动态阈值筛选强连接，构建稀疏图表示脑功能网络。

3. **模型架构**：
- **编码器**：双KAGCN层（KAN增强的GCN层）提取特征；
- 第一层：图卷积聚合邻域特征；
- 第二层：KAN层非线性变换；
- **解码器**：KAN+全连接层生成掩码特征；
- **读出模块**：全局均值池化后输出二分类结果。

4. **训练策略**：
- **预训练**：在无标注数据上训练SSL模块，学习通用脑图特征；
- **微调**：使用患者标注数据优化分类头，适配个体差异。

#### 四、实验验证
基于**CHB-MIT数据集**（24名儿童癫痫患者），模型表现如下：
- **核心指标**：准确率97.68%，F1 97.59%，AUC 99.28%；
- **对比实验**：
- 相比传统GCN（准确率89.6%）提升7.08个百分点；
- 相比监督学习（SL）方法（准确率93.28%）提升4.4个百分点；
- **鲁棒性测试**：
- 在20%边缘删除和特征掩码扰动下，模型仍保持>95%准确率；
- AUC>99%表明对细微信号变化的敏感度。

#### 五、优势与局限
**优势**：
- **低标注依赖**：仅需5%标注数据微调，预训练阶段完全基于无标注数据；
- **高效计算**：相比图注意力网络（如Transformer-GCN），参数量减少40%，推理速度提升3倍；
- **临床适用性**：5次连续预测触发报警，平衡敏感性（召回率97.53%）与特异性（97.64%）。

**局限性**：
1. **跨患者泛化**：当前验证基于同一数据集（CHB-MIT），需扩展至多中心、多年龄段数据；
2. **实时性挑战**：单次推理需0.8秒，需优化边缘计算部署；
3. **可解释性不足**：KAN的B样条参数难以直接解释，需开发可视化工具。

#### 六、应用前景与改进方向
1. **临床应用**：
- 实时监测癫痫发作：模型可处理256Hz采样率，窗口重叠15秒；
- 联合多模态数据：集成fNIRS、MRI等影像增强预测；
- 患者个性化：预训练模型+少量个体数据微调，适配不同脑电模式。

2. **改进方向**：
- **跨域泛化**：引入联邦学习框架，联合多中心数据训练全局模型；
- **轻量化优化**：采用知识蒸馏压缩模型，适配边缘设备；
- **可解释性增强**：结合GraphLIME分析关键脑区贡献度。

#### 七、总结
SeizureNet-KAN通过**图结构建模**、**动态非线性激活**和**混合自监督学习**，解决了癫痫预测中的三大核心问题。其高精度（97.68%）和强泛化（AUC>99%）验证了方法的有效性，为临床癫痫预警提供了新工具。未来需通过跨数据集验证和联邦学习优化，推动实际应用。