基于CEEMDAN域熵特征与深度学习的脑电信号味觉感知识别新方法TasteNet

本研究针对传统味觉感知检测方法（如fMRI/sEMG）存在时空分辨率低、设备笨重等问题，开发了基于CEEMDAN（完全自适应噪声集合经验模态分解）域熵特征与深度学习融合的TasteNet模型。通过分解EEG信号为IMF（本征模态函数）并提取6类熵特征，结合CNN-多头注意力-Att-BiPLSTM（注意力双向强化长短期记忆）架构，实现六类味觉刺激97.52%的高精度分类，为味觉相关疾病诊断与饮食行为研究提供新工具。

　　

味觉不仅是享受美食的基础，更是人体健康的"晴雨表"。从COVID-19患者的味觉异常（dysgeusia）到糖尿病患者的甜味感知变化，从癌症化疗导致的味觉障碍到帕金森病的早期味觉征兆，味觉感知的细微变化往往隐藏着重大疾病的线索。然而，现有味觉检测技术面临严峻挑战：功能磁共振成像（fMRI）虽能捕捉脑区激活但时空分辨率难以兼顾，表面肌电图（sEMG）仅能记录面部肌肉反应而缺失中枢神经信息。在此背景下，脑电图（EEG）因其毫秒级时间分辨率、便携性和非侵入性优势，成为解码味觉神经机制的理想工具。

为解决这一关键技术瓶颈，研究人员开展了基于EEG的味觉感知深度学习识别研究。研究团队设计了一套创新性的技术路线：首先采集51名健康受试者在甜、咸、苦、酸、鲜味及无刺激条件下的19导联EEG数据，通过CEEMDAN将信号分解为多个IMF（本征模态函数），筛选5个关键IMF后提取样本熵、气泡熵等6类非线性熵特征。随后构建名为TasteNet的三模块深度学习架构：1）时空卷积神经网络（CNN）捕捉局部特征；2）多头注意力机制提取全局特征；3）新型注意力双向强化长短期记忆网络（Att-BiPLSTM）建模时序依赖关系。该模型在六分类任务中达到97.52±0.48%的准确率，显著优于现有方法。相关成果发表于《Journal of Neuroscience Methods》，为临床味觉障碍诊断和神经感官研究提供了突破性工具。

关键技术方法包括：1）采用CEEMDAN进行EEG信号时频分解；2）从选定IMF提取6类熵特征（近似熵、排列熵等）；3）设计TasteNet模型整合CNN-多头注意力-Att-BiPLSTM架构；4）采用留出验证（70:10:20）与跨被试验证评估性能。

TasteNet架构
模型通过时空卷积块分别处理电极间空间关系和时间动态，多头注意力模块计算通道间依赖关系，最终由Att-BiPLSTM网络融合双向时序信息。其中PLSTM（Potent LSTM）单元通过门控机制强化关键特征记忆，结合注意力权重优化特征选择。

系统配置
在Intel Core i7/NVIDIA GTX 1650硬件环境下，采用Python 3.8.1与Keras框架实现，ADAM优化器（初始学习率0.0001）训练200个epoch，批次大小128。

讨论与结论
该研究首次将CEEMDAN域熵特征与深度学习相结合用于味觉解码，其创新性体现在：1）CEEMDAN优于传统EMD，能自适应分解非平稳EEG信号；2）多类型熵特征全面刻画味觉响应的非线性动力学；3）Att-BiPLSTM通过双向注意力机制增强时序建模能力。相比同类研究，Xia等（2024c）的CNN+注意力模型（99.56%）依赖数据增强，而Li等（2025）的SVM方法（76.13%）性能有限，本研究的优势在于端到端特征学习与生理可解释性结合。

研究成果对临床医学具有多重价值：1）为糖尿病、癌症化疗等引发的味觉障碍提供客观评估工具；2）通过味觉变化预警神经退行性疾病；3）辅助饮食失调患者的个性化营养干预。未来工作可扩展至跨模态感知整合与便携式设备开发，推动"味觉神经组学"研究范式的发展。