基于侏獴优化与人工生态系统的脑电通道优选方法在精神分裂症检测中的应用研究

本文创新性地提出一种融合侏獴优化算法(DMO)与人工生态系统优化(AEO)的混合元启发式算法(DM-AEO)，结合经验模态分解(EMD)等四种信号处理方法，实现了仅用4个脑电(EEG)通道即达到99.26%的精神分裂症(SCZ)检测准确率，较现有方法提升2%的同时降低70%计算成本，为精神疾病早期诊断提供了高效可靠的生物标记筛选方案。

　　

Highlight

本研究开发了名为DM-AEO的混合优化算法，将侏獴的群体狩猎策略与生态系统能量流动原理相结合，通过模拟alpha群主导、侦察兵巡逻和保姆轮换等生物机制，实现了EEG通道的智能筛选。算法创新性地引入交叉概率自适应调整机制，使全局探索与局部开发达到动态平衡。

Methodology

如图1所示，研究采用四步递进式分析框架：首先通过EMD/VMD/DWT/LCOFB四种方法分解EEG信号获取δ/θ/α/β/γ频段特征；继而提取34维时频域特征构建生物标记池；随后运用DM-AEO进行通道优选；最终输入SVM分类器实现SCZ与健康对照(NHC)的判别。特别值得注意的是，算法在每次迭代中会动态更新"最优觅食路径"，这显著提升了特征筛选效率。

Dataset description

实验数据来自莫斯科国立大学公开数据集，包含84例受试者（39例SCZ患者/49例NHC）的16导联静息态EEG。所有SCZ患者均经DSM-IV标准确诊，排除了共病神经系统疾病者。采样率设置为250Hz，采用10-20系统电极布置，为保障数据质量，研究者对肌电伪迹进行了严格剔除。

Experimental environment and implementations

在Python3.11环境下，我们搭建了包含生物特征计算、优化算法和机器学习的三层架构。硬件配置为Intel i7-3.13GHz/64GB RAM平台，每个算法独立运行20次取均值。关键参数设置：EMD采用B样条内核，VMD分解层数K=5，DWT选用db4小波基，这些选择均通过网格搜索验证。令人振奋的是，DM-AEO仅需6.2815分钟即可完成四通道优化，展现了优异的工程适用性。

Conclusion

针对EEG信号非平稳特性带来的挑战，本研究开创性地将生物启发优化与多模态分解相结合。实验证明EMD+DM-AEO组合显著优于传统方法，其99.26%的准确率使SCZ的早期筛查成为可能。更值得关注的是，优选出的F3/F4/C3/C4通道揭示了前额叶-中央区神经电活动异常与疾病的高度相关性，这为理解SCZ的神经机制提供了新视角。