《Computers in Biology and Medicine》：A jointly optimized hybrid framework for epileptic EEG artifact classification
编辑推荐：
•混合手工构建与深度特征增强了脑电图特征表示。•基于邻域的 CND 选择了高判别力的脑电图特征。•ASOA 联合优化了 CND 和随机森林分类器参数。•在公共和临床脑电图数据集上实现了 99.30% 的分类准确率。引言癫痫是一种常见的神经系统疾病，脑电图（EEG）在诊断、长期
- •
混合手工构建与深度特征增强了脑电图特征表示。
- •
基于邻域的 CND 选择了高判别力的脑电图特征。
- •
ASOA 联合优化了 CND 和随机森林分类器参数。
- •
在公共和临床脑电图数据集上实现了 99.30% 的分类准确率。
引言
癫痫是一种常见的神经系统疾病，脑电图（EEG）在诊断、长期监测和临床管理中发挥着至关重要的作用 [1], [2]。随着长期脑电图记录在临床实践中的日益普及，自动化的脑电图分析对于提高诊断效率和减轻临床医生的工作负担变得至关重要 [3]。然而，脑电图记录经常受到生理性（例如眼动和肌肉活动）和非生理性伪迹（例如电极接触不良）的污染，这降低了信号质量，并严重损害了自动化脑电图分析系统的性能 [4], [5], [6]。因此，准确检测和分类脑电图伪迹对于可靠的癫痫相关脑电图分析至关重要。
现有的脑电图伪迹分类和癫痫发作检测方法通常可分为两种范式：基于手工构建特征的机器学习方法和基于深度学习的自动特征提取方法 [7], [8], [9]。手工构建的方法提取时间、频谱、统计或非线性特征，并结合传统分类器如支持向量机 (SVM)、K 近邻 (KNN) 和随机森林 (RF) 进行伪迹分类 [10], [11], [12]。例如，Wang 等人提出了一种结合粒子群优化的多维脑电图特征融合框架，以增强眨眼伪迹分类 [13]。Zarei 等人将小波分解与统计和非线性熵特征相结合，构建了用于脑电图分类的判别性手工特征表示 [14]。为了进一步提高分类性能，特征选择和优化技术也被引入以减少特征冗余并提高分类器效率 [15], [16], [17]。尽管这些方法具有良好的可解释性，但它们严重依赖于专家设计的特征，这可能限制了它们捕获复杂脑电图特征的能力。
深度学习方法直接从原始脑电图信号中自动学习特征表示，从而减少了对人工特征工程的依赖 [18], [19]。早期研究主要采用卷积神经网络 (CNNs) 从原始脑电图记录中自动提取判别性特征以用于伪迹分类 [20]。为了更好地捕获脑电图信号中的时间依赖性，采用了循环神经网络 (RNNs)，特别是长短期记忆网络 (LSTM) 和门控循环单元 (GRU) 网络，实现了脑电图空间和时间表示的联合学习 [21], [22]。最近，混合架构，如 CNN–LSTM [23], [24] 和 CNN–Transformer 模型 [25], [26]，通过结合局部特征提取和全局依赖建模，进一步提高了分类性能。此外，轻量级神经网络架构也得到了开发，以保持有竞争力的分类性能的同时提高计算效率 [27], [28]。然而，这些方法通常需要大型标注数据集，可解释性有限，并且往往无法充分利用手工构建特征和自动学习特征之间的互补信息。
尽管取得了实质性进展，但仍存在几个挑战。首先，手工构建特征和深度特征提供了互补信息，但它们在一个统一框架内的集成很少被探索。其次，特征选择和分类器优化通常是独立进行的，忽略了它们内在的耦合关系，并导致次优的分类性能。因此，它们的联合优化构成了一个涉及离散和连续变量且缺乏显式梯度信息的非线性黑箱搜索问题。第三，现有研究主要集中在常见的脑电图伪迹上，而长期癫痫监测中经常遇到的节律性伪迹仍研究不足。
为了应对这些挑战，本文提出了一种癫痫脑电图伪迹分类的统一框架，该框架结合了混合特征表示与类邻域判别 (CND) 特征选择器和随机森林分类器的联合优化，实现了协调的特征选择和分类器配置以提高分类性能。为了解决由此产生的联合优化问题，采用了海鸥优化算法 (SOA) 作为基础优化器，因为其迁移和攻击机制提供了一个简单的基于种群的搜索框架，结合了全局探索和本地开发。然而，标准 SOA 对所有个体应用相同的搜索控制策略，而不考虑其适应度，这可能限制了搜索过程的适应性。因此，开发了一种自适应海鸥优化算法 (ASOA)，通过引入适应度感知的自适应加权机制来动态协调全局探索和本地开发。本工作的主要贡献总结如下：
- (1)
通过整合手工构建的时间 – 频谱 – 熵特征与从轻量级 ResNet–LSTM 网络中提取的深度特征，提出了一种混合脑电图伪迹表示框架，实现了脑电图伪迹的互补表示。
- (2)
提出了一种新颖的类邻域判别方法，通过同时增强类内紧凑性和类间可分离性来选择判别性特征。
- (3)
提出了一种基于自适应海鸥优化算法的联合优化策略，在一个统一的优化框架内同时优化 CND 特征选择器和 RF 分类器的参数。
- (4)
在公共和临床脑电图数据集上的综合实验验证了所提框架的有效性，并展示了其相对于代表性特征选择方法、优化算法和分类器的优越性。
章节片段
概述
所提出的癫痫脑电图伪迹分类方法的整体框架如图 1 所示。在训练阶段，提取并融合手工构建特征和深度特征以构建初始特征集。然后采用所提出的 CND 方法来选择最具判别力的特征，并训练一个 RF 分类器用于伪迹分类。为了联合优化 CND 特征选择器和 RF 分类器的参数，采用了一种自适应海鸥优化
数据集
实验使用了组合数据集，该数据集由公开的天普大学伪迹语料库 (TUAR) [30] 和来自中国成都市第三人民医院的临床长期脑电图数据集组成。混合数据集是有意构建的，以评估癫痫监测中遇到的常见伪迹和节律性伪迹。所有记录都经过了相同的预处理和归一化程序。
TUAR 数据集包含 310 个脑电图记录
结论
本文提出了一种混合脑电图伪迹分类框架，该框架集成了手工构建特征与基于深度学习的自动特征提取和自适应优化。在 TUAR 数据集和临床长期脑电图记录上的实验结果表明，所提出的框架在多个评估指标上表现出强劲的性能，包括准确率、精确率、召回率、F1 分数、MCC、Kappa 和 GDR。手工构建特征和深度特征的组合
CRediT 作者贡献声明
林川：撰写 – 原稿，方法论，正式分析，概念化。王超：撰写 – 审阅与编辑，软件，数据管理。余勤东：撰写 – 审阅与编辑，软件，数据管理。王伟博：撰写 – 审阅与编辑，概念化。文明：撰写 – 审阅与编辑，验证，资源，概念化。
伦理批准
本研究已获成都市第三人民医院研究伦理委员会批准 (2026-S-47)。该研究已在中国临床试验注册中心注册 (ChiCTR2300079319)。
资金
本工作部分由成都市科学技术局 (项目编号：2025-YF05-00174-SN) 支持，部分由西南交通大学与成都市第三人民医院医工交叉转化研究项目 (项目编号：CSY-YGJC-01-2026-002) 支持。
利益冲突声明
作者声明他们没有已知的竞争性经济利益或个人关系，这些利益或关系可能影响本报告中描述的工作。
林川 | 王超 | 余勤东 | 王伟博 | 文明
