基于双注意力全息卷积神经网络和洪堡鱿鱼优化算法的多通道头皮EEG癫痫发作自动检测研究

本研究针对癫痫发作自动检测中EEG信号噪声干扰和特征提取难题，创新性地提出DAHCNN-HSOA模型。通过AMWP-MFA预处理、S-STFFT特征提取和HSOA优化，在CHB-MIT数据集上实现99.9%准确率，为癫痫精准诊疗提供新范式。

　　

癫痫作为困扰全球5000万患者的慢性神经系统疾病，其发作时异常的脑电活动往往导致患者生活质量严重下降。目前临床依赖的多通道头皮脑电图(EEG)检测存在两大痛点：人工判读耗时且易出错，而现有自动检测方法在噪声抑制、特征提取和跨患者泛化能力方面仍有局限。尤其对于发作间期(Interictal)与发作期(Ictal)状态的精准区分，直接关系到癫痫病灶定位和手术决策的准确性。

研究人员提出革命性的双注意力全息卷积神经网络(DAHCNN)与洪堡鱿鱼优化算法(HSOA)融合模型。该研究创新性地将自适应形态小波Perona-Malik滤波(AMWP-MFA)用于EEG去噪，结合同步挤压短时分数阶傅里叶变换(S-STFFT)提取时频特征，最终通过HSOA优化分类器参数。在CHB-MIT标准数据集上的测试表明，该系统以99.9%的准确率和99.8%的召回率超越现有方法，为可穿戴癫痫监测设备的发展奠定算法基础。

关键技术包括：1)采用AMWP-MFA滤除EEG中的肌电和工频干扰；2)基于S-STFFT提取非线性时频特征；3)构建具有注意力机制的全息卷积网络(DAHCNN)捕捉空间-时间特征关联；4)应用HSOA进行超参数优化。所有实验均采用Python实现，数据来自公开的CHB-MIT头皮EEG数据集。

【文献综述】
现有研究在特征提取和跨患者泛化方面存在不足。相比Liu等提出的P3DCNN和Xia等的LSTM-Transformer混合模型，本研究的DAHCNN通过双注意力机制更有效捕捉EEG通道间的动态功能连接。

【方法设计】
预处理阶段采用AMWP-MFA算法，其边缘保持特性显著提升信噪比。特征提取环节的S-STFFT技术克服了传统STFT的时频分辨率限制，而DAHCNN的层级结构包含空间和通道双重注意力模块，配合HSOA的群体智能搜索策略实现参数优化。

【实验结果】
在两组独立数据集测试中，系统对发作间期状态的识别灵敏度达99.7%，特异性99.9%。特别在颞叶癫痫检测中，相比Sun等报道的四通道耳后EEG方案，本方法将误报率降低62%。

这项突破性研究首次将生物启发算法(HSOA)与全息卷积网络结合应用于癫痫检测领域。其临床价值体现在三方面：1)为耐药性癫痫患者提供精准的术前评估工具；2)推动单通道可穿戴设备的实用化进程；3)通过开源实现促进算法迭代。未来与功能磁共振(fMRI)等模态的融合，有望建立多维度癫痫预测系统。