DCDA-Net：一种基于深度卷积膨胀注意力网络和时序加权损失的癫痫预测网络

《Neural Networks》：DCDA-Net: A Depthwise Convolution Dilated Attention Network with Temporal Weighted Loss for Seizure Prediction

　　

摘要：癫痫发作的突发性和不可预见性对患者安全和日常生活质量构成严重威胁，因此开发高精度、高可靠性的癫痫预测方法具有重要的临床意义。为此，本研究提出了一种融合深度卷积与新型膨胀注意力机制的癫痫预测模型，命名为DCDA-Net。首先采用深度卷积独立提取每个脑电通道的特征，保留空间通道信息以供后续癫痫演化分析使用。创新性地结合膨胀卷积与自注意力机制，设计了膨胀注意力模块以高效捕捉长程时间依赖关系。此外，引入时间加权损失函数以显著增强模型区分关键发作前时间特征的能力。在CHB-MIT和SH-SDU临床数据库上的验证结果表明，该模型在CHB-MIT数据库上实现了97.56%的分段准确率和97.69%的事件级敏感度，假阳性率为0.0232/小时；在SH-SDU数据库上实现了96.93%的分段准确率和96.05%的事件级敏感度。此外，通道重要性分析证实了模型与实际致痫区之间存在显著的空间一致性。本研究为个体化癫痫预测提供了一种高效解决方案，在进一步临床评估方面具有巨大潜力。

引言：癫痫是一种常见的严重慢性神经系统疾病，全球有超过5000万人受影响（Shan等，2025）。癫痫发作突然发生且无法预测，这不仅增加了意外伤害和猝死的风险，还给患者带来持续的焦虑和恐惧，从而严重损害其生活质量（Zhao等，2024）。当前的治疗策略主要依赖抗癫痫药物和神经刺激技术，旨在抑制发作发作或减少发作频率。相比之下，这些被动控制方法的效果有限。相反，准确预测即将发生的癫痫发作并及时发出预警或预防性干预具有变革性潜力，可能改善患者的生活质量和长期预后（Cui等，2024；Shafiezadeh等，2024）。

脑电图是一种无创监测脑电活动的方法，因其高时间分辨率和捕捉同步神经元放电的能力，已成为癫痫诊断和发作预测中不可或缺的工具（Dong等，2024a）。在癫痫预测研究中，一项关键任务是在脑电信号中可靠地识别发作前状态。该状态被假设为存在于正常背景活动（发作间期）和临床发作发作（发作期）之间的过渡阶段，其特征是预示发作发生的神经模式（Qi等，2026；Wang等，2026；Zhang等，2020）。因此，癫痫预测的实质在于利用计算和分析方法，从长而复杂且有噪声的发作间期脑电图记录中准确检测这些短暂且细微的发作前模式，从而在发作发作前实现及时预警（Liu等，2023）。

作为机器学习的强大范式，深度学习近年来在癫痫预测及其他领域展现了巨大潜力并取得显著进展（Chen等，2025；Jahan等，2023）。深度学习模型由多层神经网络组成，能够以端到端方式从原始或经最少预处理的脑电信号中自动学习高度抽象且具有区分性的时空表示（Kumar等，2026；Li等，2024）。这种方法消除对传统手工特征工程的依赖，从而克服其固有的复杂性和泛化能力差的局限性（Varnosfaderani等，2024）。凭借这种强大的表示学习能力，深度学习模型能够更有效地捕捉发作前阶段中细微且不断演变的动态变化，为准确和稳健的癫痫预测提供了有前景的路径。

尽管取得了这些进展，基于脑电图的癫痫预测仍面临几个主要挑战。首先，头皮脑电信号固有地复杂，不同频带（如δ、θ、α、β、γ）对应不同的生理或病理过程（Iyer等，2022；Miao等，2023）。这些成分共同构成了动态且混合的脑活动背景，使得难以分离出与发作相关的关键频率模式。其次，发作前脑电图和发作间期脑电图均代表两次发作之间的正常脑活动。因此，将发作前状态与发作间期状态区分开比与发作期区分更加困难（Rasheed等，2021）。此外，与发作相关的脑电波形通常起源于致痫区的少数通道，并随时间逐渐传播至邻近脑区，导致癫痫演化过程中不同通道的贡献发生复杂变化。目前，大多数基于深度学习的癫痫检测方法主要关注发作状态分类，缺乏对致痫脑区信息的深入探索（Jemal等，2022；Ren等，2026）。一些机器学习方法尝试通过建立模型决策与脑电通道之间的关系来识别与发作相关的区域。Birjandtalab等（2017）提出了一种结合有限通道脑电图与非线性降维的癫痫检测框架，并采用随机森林识别对发作事件贡献最大的脑电通道。Li等（2021）开发了一种整合CSP和SVM的癫痫检测方法，利用CSP空间滤波器权重识别参与发作发作的脑电通道。然而，这些方法主要关注输出结果的事后解释，无法提供关于发作活动演化的信息。

针对上述挑战，本研究提出了一种名为DCDA-Net的深度学习框架，结合时间加权损失实现可解释的癫痫预测。通过整合深度卷积、膨胀自注意力和时间加权机制，DCDA-Net能够动态聚焦关键脑电通道，同时捕捉脑电长程依赖关系。该设计有效解决了关键通道识别、长期依赖建模和发作前状态区分等挑战，提升了癫痫预测的准确性和可解释性。本工作的主要贡献总结如下：

1）用于多尺度长程依赖建模的膨胀注意力机制：为克服多通道脑电信号中捕捉多尺度长程依赖关系的困难，我们提出了一种新型膨胀注意力机制，将膨胀卷积的多尺度建模能力与自注意力的全局依赖建模相结合。该机制显著扩大了感受野，并对多个膨胀率的稀疏采样时间位置进行注意力计算，使模型能够联合分析局部波动和全局趋势，实现精准癫痫预测。

2）用于发作前-发作间期区分的时间加权损失：为解决区分发作前与发作间期状态的挑战，我们在训练过程中引入时间加权损失函数。该函数能够动态地为接近临床发作发作的时间段分配更高权重，引导模型聚焦最关键的预测窗口。这种方法既增强了预测的时效性和敏感度，又有效减少了假警报。

3）用于关键通道识别的定量分析：为处理关键脑电通道识别问题，我们进一步进行了通道级定量分析，基于相应深度卷积核的L2范数评估不同脑电通道对癫痫预测的贡献，从而为癫痫先兆的演化提供关键见解。

4）频率感知的可解释性分析：为增强模型可解释性并探索神经生理学相关性，我们采用基于梯度的类激活映射进行频率感知分析。生成的热力图揭示了模型在不同频带的决策过程，弥合了深度学习预测与临床解释之间的鸿沟。

我们使用公开的CHB-MIT数据库和临床SH-SDU数据库评估了模型性能。实验结果表明，所提出的深度学习框架在预测敏感度和假阳性率等关键指标上优于现有主流方法。最重要的是，我们首次从数据驱动的角度系统揭示了发作前阶段的关键空间特征，实现了致痫通道的高效定位。我们的工作为癫痫预测提供了先进的技术路径，为临床转化和癫痫演化机制的解释奠定了方法学基础。

本文其余部分组织如下：第2节回顾相关工作。第3节详细描述所提出的方法。第4节展示实验结果。第5节讨论研究结果并与现有研究进行比较。最后，第6节总结全文。

相关工作：癫痫预测研究经历了多年演变，从基于手工特征的传统机器学习方法发展到现代端到端深度学习方法。以下各节将详细概述这两个阶段。

手工特征的机器学习方法：早期研究主要依赖手工特征结合浅层机器学习模型进行脑电分类。这些特征量化线性和非线性动态特性，包括时域特征（均值和方差）、频域特征（频带功率和频谱边缘频率）以及非线性特征（熵和分形维度）（Ruiz de Miras等，2023；Tibdewal等，2017）。这些特征通常被输入支持向量机等分类器。

深度学习方法：近年来，深度学习通过端到端方式从原始或经最少预处理的脑电信号中自动学习具有区分性的高层特征，从而变革了癫痫预测，避免了手工特征工程（Zhang等，2024）。卷积神经网络通过多通道脑电转化为二维时频图或使用一维卷积神经网络捕获脑电通道间的空间关系和局部时频模式。

实验设置与性能评估：实验使用PyTorch 2.8.0和Python 3.13.7在配置有Intel (R) Core (TM) i9-14900HX CPU、32 GB内存和NVIDIA GeForce RTX 5070 GPU的计算机上实现。训练阶段采用Adam优化器，学习率为0.0001，批量大小为128，最大迭代次数为50次。训练和结构参数（如学习率、批量大小）经经验优化以平衡收敛稳定性和计算效率。

讨论：本研究通过创新性地融合深度卷积和膨胀注意力机制到癫痫预测任务中，构建了一种名为DCDA-Net的新型端到端预测框架。深度卷积模块通过对每个输入通道进行独立卷积操作，有效保持通道信息的隔离性，为准确识别与癫痫发作相关的关键脑电通道提供了技术基础。膨胀注意力

结论：本研究提出了一种高效的深度学习框架DCDA-Net，专为基于脑电图的癫痫预测而设计。从根本上说，本方法的创新之处在于其协同的、面向特定任务的架构，而非现有深度学习模块的简单组合。在DCDA-Net模型中，首先采用深度卷积模块从多通道脑电信号中独立提取特征，有效保留跨通道的空间信息。随后，创新的

作者贡献声明：Dong Xingchen：概念化、方法论、软件、形式分析、调查、可视化、撰写初稿。Li Haotian：方法论、形式分析、调查、可视化、撰写初稿。Chen Qiangqiang：方法论、形式分析、调查。Chen Xiaoyu：方法论、形式分析、调查。Lu Weisen：方法论、形式分析。He Landi：概念化、软件、形式分析。Tin Chung：概念化、撰写审稿与编辑。

CRediT作者贡献声明：Dong Xingchen：撰写初稿、可视化、验证、软件、方法论、数据管理、概念化。Li Haotian：撰写初稿、软件、形式分析、数据管理、概念化。Chen Qiangqiang：可视化、形式分析、数据管理。Chen Xiaoyu：形式分析、数据管理。Lu Weisen：可视化、验证。He Landi：验证、软件。Tin Chung：撰写审稿与编辑、验证、指导。Zhou Weidong：撰写审稿。

利益冲突声明：作者声明不存在任何已知的竞争性经济利益或个人关系可能影响本文所报告的工作。

致谢：感谢国家自然科学基金（编号62271291）和山东省自然科学基金重点项目（编号ZR2024LZH007）的资助。

Xingchen Dong | Haotian Li | Qiangqiang Chen | Xiaoyu Chen | Weisen Lu | Landi He | Chung Tin | Weidong Zhou