基于多尺度加权特征残差ConvLSTM的帕金森病脑电信号高效检测方法

研究人员针对帕金森病(PD)脑电信号(EEG)特征复杂、检测精度低的问题，开发了多尺度加权特征残差卷积长短期记忆网络(MWF-RconvLSTM)模型，结合改进的孔雀优化算法(EPOA)优化权重，实现了94.97%的检测准确率，显著优于现有方法，为PD早期诊断提供了新工具。

　　

帕金森病(PD)作为全球第二大神经退行性疾病，影响着数百万患者的运动功能和生存质量。目前临床诊断主要依赖运动症状观察，但此时患者多巴胺神经元已损失60%以上。脑电信号(EEG)虽能反映早期神经活动异常，却面临信号复杂、个体差异大等挑战。传统机器学习方法在特征提取和模型泛化能力上存在局限，亟需开发更精准的智能诊断系统。

针对这一难题，研究人员开发了一种创新性的多尺度深度学习框架。该研究首先整合了多源EEG数据，通过自动编码器(AE)挖掘深层特征，并结合波特征、时空特征等传统特征构建多维特征空间。核心创新在于提出的多尺度加权特征残差卷积长短期记忆网络(MWF-RconvLSTM)，该模型通过不同卷积尺度分别处理各类特征，并引入改进的增强孔雀优化算法(EPOA)动态优化特征权重。实验表明，该模型准确率达94.97%，较传统方法提升4-15个百分点。

关键技术包括：1)从EEG信号提取波特征、时空特征和谱特征；2)使用AE提取深度特征；3)构建MWF-RconvLSTM多尺度处理架构；4)开发EPOA算法优化特征权重；5)采用标准EEG数据集进行模型验证。

【研究结果】

1. 特征提取
   从EEG信号_d^m中成功提取五类特征：波特征反映信号波形特性，时空特征捕捉神经活动动态变化，谱特征分析频率成分，空间特征定位异常脑区，AE提取的深度特征则挖掘潜在模式。

2. 模型开发
   MWF-RconvLSTM通过残差连接缓解梯度消失，ConvLSTM层同时捕捉空间和时间依赖性。EPOA通过改进随机数生成机制，使权重优化后的MCC(Mathews相关系数)提升12.6%。

3. 性能验证
   在相同数据集上，EPOA-MWF-RconvLSTM(94.97%)显著优于DMO-MWF-RconvLSTM(80.02%)、BFGO-MWF-RconvLSTM(88.49%)等对比模型，且对噪声干扰表现出更强鲁棒性。

【结论与意义】
该研究首次将多尺度加权特征与残差ConvLSTM结合用于PD检测，通过EPOA算法实现特征自适应加权，解决了EEG信号异质性难题。临床价值在于：1)为PD早期诊断提供客观量化工具；2)模型可解释性强，有助于发现PD相关生物标志物；3)框架可扩展至其他神经疾病检测。未来可结合多模态数据进一步提升性能，推动精准神经病学发展。论文发表于《Biomedical Signal Processing and Control》，为智能医疗领域提供了重要方法论参考。