基于Transformer架构与数据增强的跨模态癫痫发作检测：从侵入式到非侵入式神经信号的高鲁棒性研究

这篇研究提出了一种基于Transformer架构的端到端癫痫发作检测框架，通过三种数据增强策略（顺序采样、随机连续采样和随机非连续采样）有效解决了神经信号中的类别不平衡问题。该模型采用通道无关的注意力机制，在动物模型（PTX和4-AP诱导的癫痫）中实现>99%的检测准确率，并在人类脑电图（EEG）验证中保持90.4%的整体准确度，为跨模态癫痫监测系统提供了创新解决方案。

　　

引言

癫痫作为全球影响超5000万人的慢性神经系统疾病，其突发性发作的精准检测一直是临床难题。传统脑电图（EEG）分析依赖人工判读，存在主观性强、效率低下等局限。本研究突破性地将Transformer架构引入神经信号分析领域，通过多维度数据增强和通道无关注意力机制，实现了从实验模型到临床场景的跨模态癫痫检测。

材料与方法

数据采集：研究采用25只SD大鼠海马CA1区16通道局部场电位（LFP）数据（采样率20kHz），通过微注射GABA_a受体拮抗剂印防己毒素（PTX）或钾通道阻滞剂4-氨基吡啶（4-AP）诱导急性癫痫模型。人类数据来自TUEP脑电数据库（采样率256-1000Hz）。

创新性数据增强：针对癫痫信号瞬态特性，设计三类采样策略：

1. 1.

   顺序采样（癫痫段步长1点/非癫痫段步长50点）

2. 2.

   随机连续采样（强制模型学习时序变异）

3. 3.

   随机非连续采样（混合癫痫/非癫痫片段模拟过渡态）

   最终生成2350万样本（16×100矩阵），有效平衡正负样本比例。

模型架构：

• •

  输入层：16×100矩阵经MLP投影至16×1024

• •

  8层Transformer编码器（8头注意力，d_model=1024）

• •

  动态通道加权机制消除电极配置差异影响

• •

  输出层通过双MLP降维至分类结果

结果

基础性能：在PTX诱导的大鼠CA1区模型中，模型达到近乎完美的检测指标（F1-score 99.7%±0.4%）。值得注意的是，仅用2个通道时仍保持98.7%的F1-score，展现卓越的配置鲁棒性。

跨模型验证：

• •

  4-AP模型（高频棘波特征）：99.9%召回率

• •

  CA3区记录（与训练集CA1区空间差异）：97.7% F1-score

• •

  人类EEG（经25.6kHz上采样后）：94.9% F1-score

关键发现：模型对癫痫起始的5ms窗口内高频振荡（>500Hz）具有独特敏感性，这恰是传统EEG因颅骨衰减难以捕捉的特征。

讨论

技术突破：

1. 1.

   消除传统机器学习依赖的手工特征工程

2. 2.

   注意力机制自动识别跨通道癫痫传播模式

3. 3.

   5ms时间分辨率优于临床常规检测系统

临床转化挑战：

• •

  EEG信号空间分辨率限制导致9.6%准确率下降

• •

  急性模型与慢性癫痫的病理差异

• •

  未来需融合近红外光谱（fNIRS）等多模态数据

前瞻方向：

1. 1.

   开发轻量化版本用于可穿戴设备

2. 2.

   研究慢性癫痫模型的长期适应性

3. 3.

   探索血流动力学标志物与电活动的关联性

结论

该框架通过Transformer的时空建模能力，首次实现从毫秒级神经电活动到临床EEG的跨模态癫痫检测，为智能神经调控系统奠定算法基础。其"训练一次，多场景适用"的特性，显著降低了传统方法针对不同数据源的重复开发成本。