基于多通道EEG信号的空间-时间通道重校准网络EEG-SymNet在精神分裂症诊断中的应用研究

针对精神分裂症诊断中单通道EEG信号忽略空间-时间动态特征的局限性，研究人员提出EEG-SymNet模型，整合HSTG-Net、CRFM和Sym-T模块，通过多通道频率EEG信号分析实现92.34%的准确率，为精神分裂症的早期客观诊断提供了新范式。

　　

精神分裂症是一种严重的精神障碍，表现为思维、感知和行为的扭曲，严重影响患者生活质量。目前诊断主要依赖主观临床评估，缺乏客观生物标志物。尽管脑电图(EEG)能捕捉神经电生理异常，但现有方法多基于单通道信号，难以反映多脑区协同活动的时空动态特征。传统机器学习算法如SVM对高维EEG信号的处理能力有限，而深度学习模型又面临跨被试变异性和小样本泛化性差的挑战。

为突破这些限制，研究人员在《Engineering Science and Technology, an International Journal》发表研究，提出EEG-SymNet模型。该研究采用来自波兰华沙精神病学与神经病学研究所的公开数据集，包含14名精神分裂症患者和14名健康对照的19通道EEG信号。通过噪声校正、功率谱分析和7秒分段预处理后，创新性地构建了包含四大模块的架构：分层时空图神经网络(HSTG-Net)建模电极空间关系，多通道频率重校准模块(CRFM)优化频带选择，对称变换器(Sym-T)捕捉双向时间依赖，最终通过加权焦点损失分类器实现诊断。

研究结果显示：

1. 数据准备：采用二阶Butterworth带通滤波器(0.5-100 Hz)分离δ/θ/α/β/γ频段，Welch法计算相对功率谱，消除个体差异影响。
2. HSTG-Net性能：将EEG电极建模为图结构，通过式(7)的层级图卷积捕获前额叶-颞叶异常连接模式，空间特征提取效率提升13.6%。
3. CRFM作用：如式(11)通过可学习参数W_rec动态调整通道权重，使模型对θ(4-8 Hz)和γ(30-100 Hz)频段的敏感度提高21%。
4. Sym-T优势：双向注意力机制(式28-29)识别出精神分裂症特征性的时间对称模式，长程依赖建模能力较传统LSTM提升17.2%。

最终模型在测试集达到92.34%准确率、91.78%敏感度和0.95 AUC值，较SPWVD-CNN等基线方法平均提升6.8%。Grad-CAM可视化证实模型关注与临床症状相关的额叶θ波异常和颞叶γ波振荡，与病理机制高度吻合。

该研究的突破性在于：首次将图神经网络与对称变换器结合用于EEG分析，通过式(40)的加权焦点损失有效缓解了临床数据类别不平衡问题。提出的CRFM模块创新性地解决了跨通道频率响应差异的建模难题，式(12)的特征加权方法为多模态生物标志物挖掘提供了新思路。未来通过扩大样本量和跨中心验证，EEG-SymNet有望成为精神分裂症筛查的标准化工具，推动精神疾病诊断从症状描述向客观量化转变。研究局限性包括对运动伪迹的敏感性以及模型复杂度导致的临床解释性挑战，这为后续研究指明了改进方向。