基于TQWT-PSR-ETNet融合EEG信号分析的经皮神经电刺激(TENS)认知增强效应客观评估新框架

本研究针对传统经皮神经电刺激(TENS)认知疗效评估依赖主观反馈的局限性，创新性地提出结合可调Q因子小波变换(TQWT)、相空间重构(PSR)和注意力机制神经网络(ETNet)的单通道脑电(EEG)分析框架。通过构建专属EEG数据集，采用非线性动力学特征提取与深度学习融合策略，实现91.31%分类准确率，为TENS认知增强效应提供首个客观量化标准。

　　

随着人口老龄化加剧，认知功能障碍已成为全球公共卫生挑战。传统认知增强疗法如经颅直流电刺激(tDCS)需直接作用于头部，而经皮神经电刺激(TENS)作为更温和的替代方案，其疗效评估长期依赖主观量表，存在个体感知偏差大、量化标准缺失等痛点。华南理工大学团队在《Biomedical Signal Processing and Control》发表的研究，首次建立基于单通道脑电(EEG)的TENS认知增强客观评估体系。

研究团队构建了专属EEG数据集，采集健康受试者在TENS干预前后的认知任务脑电信号。核心技术路线包含三阶段：采用TQWT分解EEG信号抑制伪迹，通过PSR构建非线性动力学特征，创新设计融合CNN-LSTM-Transformer的ETNet分类网络。实验设计严格控制TENS为唯一变量，通过EEG模式改变程度反向推导认知改善效应。

Dataset
研究建立首个TENS认知增强专用EEG数据库，包含干预组(-1标签)与对照组(1标签)的标准化认知任务数据。采用5-10分钟准备期消除初始状态干扰，通过四阶段实验流程确保数据可比性。

Procedures and notations
信号处理流程显示：原始EEG经50Hz陷波滤波和0.5-45Hz带通滤波后，被分割为K长度段。TQWT分解获得多分量时频特征，PSR将各分量嵌入高维相空间，最终由ETNet学习非线性动态特征。

Results
在i7-13700K/RTX3080硬件平台实现91.31%平均准确率(ACC)，标准差仅2.52%。kappa值0.8247证实算法一致性，0.9390的AUC显示优异分类性能。对比实验表明ETNet显著优于传统KNN、SVM等算法，验证了TQWT-PSR特征提取策略的有效性。

Conclusion
该研究突破性地将非线性动力学与深度学习相结合，解决TENS疗效评估的客观化难题。创新点包括：(1)首创单通道EEG评估框架，降低临床设备门槛；(2)ETNet网络通过跨注意力机制整合局部时频特征与全局动态模式；(3)证实TENS干预可诱导EEG特征空间显著重构。研究成果为神经调控疗法提供可量化的生物标志物，推动个性化认知干预方案发展。

讨论部分强调，该方法克服传统脑电分析对多通道的依赖，其92.5%的F1-score证明单通道方案在便携性与准确性间的平衡。未来可扩展至阿尔茨海默病早期筛查等领域，但需注意本研究样本均来自健康人群，在患者群体的普适性待验证。研究获得国家自然科学基金(U1701266等)及广东省教育厅团队项目支持，相关数据集已开源促进领域发展。