基于分数阶Adadelta-CSA特征选择与SpikeGoogle-DenseNet混合模型的癫痫发作检测新方法

本研究针对癫痫发作检测中EEG信号特征选择与分类的挑战，提出融合分数阶微积分思想的FrAdadelta-CSA算法进行特征优化，并构建SpikeGoogle-DenseNet混合模型。实验显示该方法准确率达96.2%，为临床癫痫诊断提供了高精度的自动化解决方案。

　　

癫痫作为全球三大神经系统疾病之一，每年影响超过4000万患者，其发作时异常的神经元放电可通过脑电图(EEG)捕捉。然而传统EEG分析依赖医师经验，存在耗时长、误诊率高等问题。尽管深度学习(DL)技术为癫痫检测带来新机遇，但现有方法仍面临特征冗余、模型泛化性不足等挑战，特别是缺乏能同时处理EEG时序特征与空间特征的混合架构。

为解决这些问题，国内研究人员在《Computational Biology and Chemistry》发表研究，创新性地将分数阶微积分引入Adadelta-CSA算法形成FrAdadelta-CSA特征选择器，并首次融合SpikeGoogle的脉冲神经元特性与DenseNet的密集连接结构，构建出SpikeGoogle-DenseNet混合模型。该研究采用CHB-MIT头皮EEG数据库，通过短时傅里叶变换(STFT)去噪后，提取时域(Hjorth参数、香农熵)、频域(AM/FM带宽)和统计特征(Lyapunov指数)，最终实现96.2%的检测准确率，较传统PSO-DNN方法提升7.3%。

关键技术包括：1)基于STFT的EEG信号预处理；2)FrAdadelta-CSA特征选择算法；3)SpikeGoogle与DenseNet的混合架构设计；4)线性回归权重α_X
优化的特征融合策略。

【Map Layer】通过构建特征权重映射层E_ι+1
=∑(F_X
α_X
)，实现特征空间的可视化筛选。
【Merging Layer】采用G₃
=E_ι+1
+G₂
α的层级融合机制，保留SpikeGoogle的时序建模能力与DenseNet的特征重用优势。
【Results】在5,000例EEG样本测试中，模型灵敏度达97.3%，特异性94.5%，显著优于CNN(89.1%)和DM-ELM(92.4%)。

该研究的突破性在于：1)首次将分数阶微积分引入CSA优化器，增强特征选择稳定性；2)通过脉冲神经元与稠密连接的协同作用，解决了EEG信号时空特征提取不充分的问题；3)为可穿戴癫痫预警设备提供了轻量化解决方案。正如作者Hilal et al.
所述，这种端到端的检测框架将临床诊断时间缩短80%，为神经退行性疾病的早期干预提供了新范式。