通过具有组件感知能力的特征融合技术，利用复数值脑网络进行神经退行性疾病的诊断

《Frontiers in Physics》：Complex-valued brain networks for neurodegenerative disease diagnosis via component-aware feature fusion

EEG信号经FFT分解为实部和虚部，构建多尺度复杂值脑网络，并设计动态图模型融合跨组件特征，实现神经退行性疾病（如MCI）和脑血管疾病（如卒中）的高效诊断，准确率达91.59%-99.99%，优于传统GNN方法。

　　在当今医学研究中，神经退行性疾病如轻度认知障碍（MCI）和中风的早期诊断和病情监测对于提升患者的健康管理和减轻社会医疗负担具有重要意义。近年来，脑网络分析技术的快速发展为神经退行性疾病的识别提供了新的可能性。然而，大多数现有的研究在处理脑电图（EEG）数据时，通常采用单一频率的表示方式，并忽略了在频率域中对实部和虚部连接性的联合建模，这限制了模型对脑网络动态变化的捕捉能力。因此，本文提出了一种基于复数值脑网络构建与组件感知特征融合的新型框架，旨在提升对神经退行性疾病的诊断效果。

在方法上，本文采用了一种多层次的处理流程，以充分利用EEG信号在频率域中的信息。首先，将原始的多通道EEG信号通过快速傅里叶变换（FFT）转换为复数表示，从而得到实部和虚部两个维度的特征。接着，通过引入复数脑网络构建（CBNC）模块，利用多尺度的实部和虚部卷积操作，捕获EEG信号在不同频率下通道间的动态交互。CBNC模块不仅能够捕捉局部和多尺度的时空交互模式，还能生成灵活的邻接矩阵，以更全面地构建脑网络。为了进一步整合来自不同组件的特征，本文设计了组件感知特征融合（CAFF）机制，通过建立跨组件的对应关系矩阵，实现对多模态特征的动态对齐和融合。这种设计使得模型能够隐式地利用跨组件的语义一致性，提升特征表示的表达能力和诊断效果。最后，通过复数值图卷积（CGC）模块，将融合后的特征进一步进行高阶的图结构学习，从而得到更具有判别能力的脑网络表示。

实验结果表明，该方法在两个基准数据集上的表现显著优于现有的先进方法。具体来说，在MCI检测任务中，该方法的准确率达到了91.59%，而在中风检测任务中，准确率更是高达99.99%。这些结果不仅展示了复数脑网络构建与组件感知特征融合在提升诊断性能方面的有效性，也验证了该方法在鲁棒性上的优势。通过这种联合建模方式，EEG信号的频率特性得到了更充分的利用，尤其是在处理相位变化问题上，频率域的变换能够有效减少相位偏移对网络结构的影响，从而提升模型的稳定性。

从神经科学的角度来看，EEG信号不仅反映了大脑的电活动，还包含了丰富的结构和功能信息。这些信息在不同的频率下具有不同的表现形式，例如在低频段可能更多地体现神经元之间的同步耦合，而在高频段则可能反映相位延迟的交互关系。因此，仅仅关注单一频率或振幅的特征，可能无法全面捕捉大脑活动的复杂性。本文提出的方法则通过同时建模实部和虚部，实现了对EEG信号中多尺度和动态交互模式的更全面描述，为理解大脑的神经活动提供了更丰富的视角。

此外，本文还对模型的各个组件进行了详细的分析，以验证其对诊断性能的贡献。首先，CBNC模块作为模型的基础，通过多尺度卷积有效地提取了EEG信号在不同频率下的局部和全局特征，形成了一个具有动态特性的脑网络表示。其次，CAFF模块则通过引入跨组件的语义一致性，进一步增强了不同组件之间的信息融合效果，使得模型能够更准确地捕捉大脑活动的复杂特征。最后，CGC模块通过引入门控机制，对融合后的特征进行了更精细的处理，使得模型能够更有效地学习与疾病相关的图结构。

在模型的鲁棒性方面，本文还对超参数的敏感性进行了系统分析。实验结果表明，模型对结构一致性损失和特征对齐损失的超参数具有较强的鲁棒性，即使在不同参数值下，其性能也保持相对稳定。这说明模型在设计上充分考虑了不同组件之间的相互作用，并通过合理的机制对这些交互进行了建模和优化，从而降低了对特定超参数的依赖。

从临床角度来看，该方法不仅提高了诊断的准确性，还为疾病的预后和治疗监测提供了新的视角。例如，在中风患者的数据中，模型能够有效捕捉到运动皮层区域（如C3）的实部连接性变化，以及前额控制区域（如Fz、F4）的虚部变化，这些变化与中风后的神经重塑密切相关。而在MCI患者中，模型能够识别出在时间域中异常的theta、alpha和beta频段的连接性变化，这些变化与海马体-皮层连接的破坏相关，进一步支持了该方法在捕捉疾病相关特征方面的有效性。

为了验证模型的有效性，本文还将其与多个基准方法进行了比较。实验结果显示，与传统的图神经网络（GCN、GAT）相比，本文的方法在捕捉动态和多尺度依赖性方面更具优势。同时，与时间序列建模方法（如DLinear、SigNet、Mamba）相比，该方法通过结合时间和空间信息，能够更全面地提取脑网络的特征，从而提升判别能力。此外，与专门的脑网络建模方法（如LGGNet、ACTNet、XG-GNN）相比，本文的方法通过引入动态的多模态图模型和门控图卷积融合机制，更有效地整合了不同模态的特征，提升了模型的表达能力和泛化能力。

从可解释性角度来看，本文还对模型在不同数据集中的特征重要性进行了分析。结果显示，前额叶、颞叶和中央区域的电极在MCI和中风诊断中具有较高的重要性，这与已知的神经病理机制相吻合。这种分析不仅支持了模型的决策依据，还为临床研究提供了有价值的脑区特征线索，有助于理解不同疾病对大脑功能网络的影响。

最后，本文还讨论了模型的泛化能力和数据集的局限性。尽管该方法在小样本数据集上表现良好，但EEG数据的采集通常需要较高的成本和复杂的技术支持，且需要专家标注和较长的记录时间。因此，未来的进一步研究可以考虑在更大规模和多中心的数据集上验证该方法的性能，并探索迁移学习策略，以提升模型在不同人群和采集条件下的泛化能力。

总的来说，本文提出的复数值脑网络框架为神经退行性疾病的诊断提供了一种新的思路。通过联合建模EEG信号的频率域特征，并引入组件感知的特征融合机制，该方法不仅提升了模型的表达能力，还增强了其对大脑动态变化的捕捉能力。实验结果和临床分析表明，该方法在准确性和鲁棒性方面均优于现有方法，具有重要的临床应用价值。未来的研究可以进一步拓展该框架，探索其在其他神经疾病诊断中的应用，并优化模型的可解释性和泛化能力，以更好地服务于临床实践。