基于FriendPat可解释性特征工程的癫痫脑电检测模型及其皮层连接机制研究

本研究针对癫痫EEG信号分类中深度学习模型复杂度高、可解释性差的问题，提出基于FriendPat特征提取函数的新型可解释特征工程（XFE）模型。通过距离矩阵和投票机制提取通道关系特征，结合CWINCA特征选择器和tkNN分类器，在10,356例EEG数据中实现99.61%（10-fold CV）和79.92%（LOSO CV）的分类准确率，并利用DLob符号语言生成皮层连接图，首次揭示该数据集以颞叶癫痫为主的神经机制。

　　

癫痫作为全球范围内影响数百万人的神经系统疾病，其诊断高度依赖脑电图（EEG）信号分析。然而，EEG信号具有高度动态性和个体差异性，特别是在发作间期与正常状态的脑电活动可能表现出相似模式，使得传统诊断方法面临巨大挑战。当前深度学习模型虽然展现出较高的分类性能，但其"黑箱"特性导致临床解释性不足，且计算复杂度呈指数级增长。与此同时，大多数研究过度关注分类准确率，忽视了可解释人工智能（XAI）在神经解码中的关键价值。

针对这些科学难题，土耳其菲拉特大学数字取证工程系的研究团队开发了名为FriendPat的新型关系型特征提取函数，并构建了可解释特征工程（XFE）模型。该研究通过整合距离计算与投票机制的特征提取、自组织特征选择（CWINCA）和分类（tkNN）算法，以及创新的DLob符号语言系统，在包含10,356个EEG片段（4,465例癫痫和5,891例对照）的公开数据集上进行了系统性验证。相关成果发表在《Scientific Reports》期刊，为癫痫诊断提供了兼具高精度与可解释性的新范式。

研究采用四项核心技术：1）FriendPat特征提取函数，通过L1范数计算35通道EEG的距离矩阵并构建友谊投票机制；2）CWINCA（累积加权迭代邻域成分分析）自组织特征选择器，从595维特征中自动筛选82个最优特征；3）tkNN（基于t算法的k近邻）分类器，通过参数迭代和多数投票实现自适应分类；4）DLob符号系统，将选定的特征映射为13种脑区符号（如TR代表右颞叶），生成可解释的皮层连接图。

FriendPat特征提取
该函数通过七步法将15秒长的500Hz EEG信号转化为通道关系特征：首先为每个时间点创建通道向量，计算L1距离矩阵；其次利用平均距离作为阈值进行投票（距离≤平均值则计数器+1，反之-1）；特别强化最小/最大距离点的权重；最终将35×35矩阵转换为595维特征向量。这种设计使模型能捕捉癫痫特有的跨通道异常同步模式。

XFE模型架构
四阶段处理流程展现系统性创新：1）特征提取阶段，FriendPat处理原始EEG生成初始特征；2）特征选择阶段，CWINCA通过累积权重0.5-0.9999的阈值范围，自动确定5-120的迭代区间，从116个候选特征集中优选82维特征；3）分类阶段，tkNN结合5种k值、3种距离度量和2种权重方案生成30组参数化结果，再通过迭代多数投票（IMV）选择最优解；4）可解释性阶段，将特征ID映射为DLob符号（如FL-左额叶、TR-右颞叶），构建164符号的字符串并计算信息熵（2.3408，复杂度比63.26%）。

实验结果
分类性能方面，模型在10折交叉验证中达到99.61%准确率（敏感性99.01%，特异性99.68%），留一受试者交叉验证（LOSO）中为79.92%（敏感性67.77%，特异性89.12%）。对比实验显示tkNN优于SVM（99.51%）、传统kNN（99.53%）等8种分类器。在MAT算术任务EEG数据集的外部验证中，该模型同样展现99.87%的优异性能。

可解释性发现
DLob分析揭示关键神经机制：1）符号频率统计显示TR（右颞叶）出现频次最高，证实数据集以颞叶癫痫为主；2）连接图显示TR作为核心节点，与FR（右额叶）、PR（右顶叶）形成强连接；3）次要激活区包括左额叶（FL）和中央区（Cz），提示部分病例存在多脑区异常放电。这些发现与临床癫痫分型标准高度吻合。

讨论与展望
该研究通过FriendPat-XFE模型实现了三大突破：1）提出首个结合关系型特征与DLob解释框架的癫痫检测系统；2）以线性时间复杂度（O(cn²L)）超越深度学习模型的效率瓶颈；3）通过皮层连接图可视化异常神经环路。局限性在于LOSO验证的敏感性有待提升，未来可通过跨被试归一化或注意力机制改进。

这项工作的临床意义体现在三方面：1）为EEG设备开发可解释的诊断界面提供技术基础；2）DLob符号系统可辅助定位致痫灶；3）轻量化特性适合嵌入式医疗设备应用。研究团队建议将该模型扩展至ECG/EMG等多模态生物信号分析，并探索DLob在其它神经系统疾病中的解释潜力。