基于多尺度脑电特征学习的跨域自监督注意力网络(MCAN)在癫痫发作检测中的创新应用

针对癫痫EEG信号检测中标注成本高、跨域泛化差和类别不平衡等难题，天津大学团队提出融合跨域自监督学习(CH-SSL)、多尺度特征提取(MEF)和发作引导注意力机制(SGS)的MCAN模型。该模型在真实临床数据和三个公开数据集上取得AUC 0.914、F1值0.709的优异表现，为智能癫痫监测提供新范式。

　　

癫痫作为困扰全球5000万患者的神经系统疾病，其突发性、不可预测性的发作特征严重威胁患者生命安全。目前临床主要依赖人工分析脑电图(EEG)检测癫痫发作，但这种方法存在效率低下（需连续监测数日）、主观性强（误诊率高达30%）等痛点。更棘手的是，不同患者EEG信号存在显著个体差异，现有算法普遍面临跨域泛化难题，加之发作片段仅占记录时长的0.1%-5%，极端类别不平衡进一步制约检测精度。

天津大学医学院的研究团队在《Knowledge-Based Systems》发表的研究中，创新性地提出多尺度EEG特征学习的跨域混合自监督注意力网络(MCAN)。该研究通过构建包含真实临床监测数据与三个公开数据集的大规模测试平台，证实MCAN在AUC(0.914)和F1值(0.709)上显著优于10种基线模型。其突破性在于：首次将时序预测、空间重构和频谱恢复三种自监督任务有机结合，使模型能从未标注数据中学习通用表征；采用多尺度卷积模块捕捉EEG信号的层次化时空特征；创新设计基于稀疏电极邻接矩阵的自注意力机制，有效建模癫痫发作时的神经同步传播模式。

关键技术包括：1）跨域混合自监督学习(CH-SSL)通过时序预测、电极掩码重建和频带恢复三重预训练任务；2）多尺度EEG特征学习(MEF)模块采用不同尺寸卷积核(7×1至21×1)提取层次特征；3）发作引导自注意力(SGS)机制利用先验空间约束优化权重分布。所有实验均采用包含157名患者的本地数据集和TUH、CHB-MIT等公开数据集进行验证。

研究结果显示：在跨数据集测试中，MCAN的敏感性(84.3%)比次优模型提高12.6%，误报率降低至0.74次/小时。消融实验证实，移除CH-SSL预训练会使F1值下降21%，而去除MEF模块则导致跨域AUC降低0.15。特别值得注意的是，通过可视化注意力权重，发现模型能自动聚焦于颞叶和额叶电极——这与临床已知的癫痫灶分布高度吻合。

这项研究的核心价值在于：首次实现自监督学习与多尺度特征的协同优化，使模型在仅使用1%标注数据时仍保持83%的检测精度，极大缓解临床数据标注困境。所提出的稀疏邻接注意力机制为理解癫痫传播提供了可解释工具，其跨中心验证结果(平均AUC 0.872)表明该方法具备临床转化潜力。未来工作将探索动态邻接矩阵优化和在线学习机制，以进一步提升模型在移动监测场景中的适应性。