基于多注意力机制与时空特征融合的癫痫脑电检测识别模型研究

本研究针对癫痫脑电信号(EEG)检测中传统方法依赖人工特征提取、CNN难以捕捉全局依赖、LSTM存在长序列梯度消失等问题，创新性地提出了一种结合混合注意力机制与Transformer编码器的MASF模型。该模型通过并行提取EEG信号的时空特征，在CHB-MIT和Bonn数据集上分别达到94.19%和72.50%的准确率，为癫痫发作的实时检测提供了无需复杂预处理的解决方案，显著提升了脑机接口设备的临床应用潜力。

　　

癫痫检测的困境与突破

全球约有7000万癫痫患者，其中30%对药物和手术无效，突显了早期精准检测的迫切性。脑电图(EEG)虽能捕捉神经元异常放电，但传统视觉分析高度依赖专家经验，且海量数据易导致漏诊。现有深度学习模型如CNN和LSTM分别受限于局部感知和长程依赖问题，难以兼顾EEG信号的时空特性。

方法创新：多维度特征融合

西安交通大学团队开发的MASF模型包含三大核心模块：

1. 1.

   混合注意力机制：结合SE注意力（全局通道加权）与7×1卷积（局部空间特征），通过公式(1)-(3)实现特征重校准

2. 2.

   Transformer编码器：利用公式(4)-(7)的多头自注意力机制捕捉长时程依赖

3. 3.

   点积注意力：通过公式(8)-(11)动态加权时空特征

   实验采用CHB-MIT（22名患者）和Bonn大学（5类EEG）数据集，十折交叉验证验证鲁棒性。

关键发现

混合注意力机制模块

表7显示单独使用该模块在CHB-MIT三分类任务中准确率达90.19%，显著优于纯Transformer的33.13%，证实空间特征对癫痫检测的主导作用。

Transformer编码器模块

如图3所示，其多头注意力结构（图3b）通过并行计算Q/K/V矩阵（公式5-6），有效解决了RNN类模型的序列建模缺陷。

点积注意力优化

表8对比显示，加入该机制后五分类任务MCC提升至66.25%，证明其对冗余特征的过滤作用。

临床价值与展望

该研究首次实现无需时频变换的原始EEG端到端检测，在保持94.19%准确率的同时（表5），模型参数量仅需32维嵌入（表1）。未来可结合fMRI多模态数据（参考文献27-30）或轻量化部署（参考文献32-33），推动癫痫预警系统临床应用。论文成果发表于《Scientific Reports》，为脑疾病诊断提供了新的范式转换。