轻量级图胶囊网络LG-TriCapsNet：基于近邻图的多疾病脑电信号分类新框架

【编辑推荐】针对脑电信号(EEG)时空特征复杂、传统方法难以捕捉神经疾病特异性模式的问题，印度理工学院(巴拿马)团队提出融合近邻图(NNG)与胶囊网络(CapsNet)的LG-TriCapsNet模型。该框架通过图路由算法优化特征传播，在癫痫、阿尔茨海默等5类疾病分类中实现98.34%准确率，为临床神经疾病自动化诊断提供高效计算方案。

　　

脑科学领域正面临神经疾病诊断的重大挑战——脑电信号(EEG)作为大脑活动的直接反映，蕴含着癫痫、阿尔茨海默病(Alzheimer's Disease, AD)等疾病的生物标志物，但其微弱信号强度（通常仅微伏级）与复杂时空耦合特性使得传统分析方法捉襟见肘。现有深度学习模型如卷积神经网络(CNN)虽能提取局部特征，却难以刻画大脑区域间的动态功能连接；而胶囊网络(Capsule Networks, CapsNet)虽擅长层次化特征学习，又缺乏对EEG通道空间拓扑的显式建模。这种"时空割裂"的分析范式严重制约了多疾病鉴别诊断的精度。

印度理工学院（巴拿马）的Shraddha Jain与Rajeev Srivastava团队在《Computers in Biology and Medicine》发表的研究中，创新性地将图论与深度学习结合，提出轻量级图三元组胶囊网络LG-TriCapsNet。该模型通过近邻图(Nearest Neighbor Graph, NNG)构建EEG通道间的功能连接，采用改进的图路由算法替代传统池化操作，在保持时空关联的同时实现98.34%的分类准确率，较经典1D-CapsNet提升0.9个百分点。研究团队从5个公开EEG数据集（涵盖癫痫、帕金森病等）获取样本，通过近邻稀疏逆协方差(NNSIC)建模通道相关性，结合三重态损失优化特征可分性，最终在噪声数据下仍保持95%以上的稳健性。

关键技术方法
研究采用近邻图(NNG)将EEG通道映射为图节点，边权重由相位锁定值(PLV)计算；设计轻量级胶囊网络架构，用动态路由替代最大池化；引入三重态损失函数增强类间可分性。实验使用5个公开数据集（Epileptic Seizure Recognition等），采用10折交叉验证评估性能。

研究结果

1. NNSIC图构建：通过稀疏逆协方差分析建立的EEG通道连接图，较传统功能连接方法提升15.7%的拓扑特征辨识度。
2. 三重态胶囊设计：在阿尔茨海默病分类中，该模块使敏感度(sensitivity)达98.30%，特异性(specificity)达98.40%。
3. 跨疾病性能：在癫痫、帕金森病等五类疾病分类任务中，F1-score统一超过98%，显著优于AlexNet+CNN组合(95.79%)。
4. 噪声鲁棒性：在20%随机通道缺失的极端条件下，模型准确率仅下降2.1个百分点。

结论与意义
该研究首次实现胶囊网络与功能连接图的有机融合，其提出的NNSIC算法能有效捕捉EEG信号的瞬态耦合特性，而图路由机制解决了传统方法对长程脑区互作建模不足的痛点。临床层面，模型对帕金森病早期震颤信号的识别灵敏度达98.3%，为"早筛早诊"提供新工具；方法论层面，轻量化设计（参数量减少37%）使其可部署于移动医疗设备。作者指出，未来可通过引入注意力机制进一步优化脑区权重分配，推动神经疾病诊断向个性化医疗迈进。