基于经蜣螂优化(DBO)参数优选变分模态分解(VMD)与卷积块注意力模块(CBAM)的癫痫脑电(Electroencephalogram, EEG)信号分类方法

《Axioms》：CBAM-BiLSTM-DDQN: A Novel Adaptive Quantitative Trading Model for Financial Data Analysis Yan Zhang, Mingxuan Zhou, Feng Sun and Yuehua Wu

　　

摘要：研究人员提出一种由蜣螂优化(Dung Beetle Optimization, DBO)自适应优选参数的变分模态分解(Variational Mode Decomposition, VMD)与卷积块注意力模块(Convolutional Block Attention Module, CBAM)相融合的癫痫脑电(Electroencephalogram, EEG)自动分类方法。首先，采用DBO算法在训练集上对VMD的模态数K与二次惩罚因子α进行全局寻优，获得最优(K, α)组合后执行VMD将多通道EEG信号分解为若干本征模态函数(Intrinsic Mode Functions, IMFs)及各分量对应的中心频率；其次，对各IMF分量提取时频域特征并重组为二维特征图，输入嵌入CBO–CBAM的卷积神经网络(Convolutional Neural Network, CNN)中，依次通过通道注意力子模块(Channel Attention Module, CAM)和时空注意力子模块(Temporal Attention Module, TAM)强化有效通道与关键时间点特征的权重；最终经由全连接层与Softmax分类器实现发作间期(Interictal)、发作期(Ictal)及正常(Normal)EEG的自动判别。实验结果表明，该方法在公开 Bonn EEG数据集上取得了更高的准确率(Accuracy)、精确率(Precision)、召回率(Recall)及F1值，较传统VMD–CNN及单一注意力机制模型具有更优的抗噪性与泛化能力，验证了DBO优化VMD与CBAM特征增强策略对癫痫EEG分类的有效性与可靠性。

研究背景与意义

癫痫是一种常见慢性神经系统疾病，临床主要依靠目视判读长时程脑电图(Electroencephalogram, EEG)识别痫样放电，耗时且依赖专家经验，易出现漏诊误诊。自动化EEG分类是辅助诊断的重要方向，但原始EEG具强非平稳性、低信噪比特点，直接提取特征难以反映潜在节律模式；变分模态分解(Variational Mode Decomposition, VMD)可有效分离多尺度成分，却严重依赖预设模态数K与惩罚因子α，不当取值致模态混叠或过度平滑；此外卷积神经网络(Convolutional Neural Network, CNN)对特征图中不同通道与时刻的重要性区分不足。为此研究人员在《Axioms》发表该文，引入群智能算法蜣螂优化(Dung Beetle Optimization, DBO)自适应确定VMD最优参数，并结合卷积块注意力模块(Convolutional Block Attention Module, CBAM)强化判别性特征，构建高精度癫痫EEG自动分类框架。

关键技术方法

研究采用波恩大学(Bonn University)公开癫痫EEG数据集（含Normal、Interictal、Ictal三类五子集A–E，采样率173.61 Hz，每片段4096点）。主要技术流程为：①以DBO以最小包络熵或重构误差为适应度函数，在训练集上搜索VMD最优(K, α)；②用最优参数执行VMD得K个IMF分量，选取相关性高的前若干IMF提取能量、样本熵、奇异值分解(Singular Value Decomposition, SVD)熵等时频特征拼接为C×T特征图；③搭建CNN主干并在残idual block后插入CBAM——先经全局平均/最大池化接入共享多层感知机(Multi-Layer Perceptron, MLP)生成通道注意力图(channel attention map) M_c，再对通道精炼特征沿时间维做一维卷积生成时空注意力图(temporal attention map) M_t；④由全局平均池化(Global Average Pooling, GAP)、全连接层及Softmax输出三分类概率；⑤以Accuracy、Precision、Recall、F₁-score及混淆矩阵评估，与未优化VMD、EEMD(empirical mode decomposition)–CNN、无注意力CNN等对照。

研究结果

2.1 Variational Mode Decomposition (VMD) Optimized by DBO

标准VMD构造变分问题将信号f(t)分解为K个有限带宽IMF u_k(t)，各IMF经Hilbert变换估计中心频率ω_k，通过交替方向乘子法(Alternating Direction Method of Multipliers, ADMM)迭代求解?_k(ω)与ω_k。研究人员指出原始VMD对K、α敏感，故引入DBO在给定范围[K_min–K_max]与α范围内寻优，以各候选(K,α)下VMD重构信号与原信号均方误差(Mean Squared Error, MSE)最小或模态间互信息最大为适应度，选出训练集上最优(K, α)，再固定此参数对测试集分解，克服人工试凑主观性并抑制模态混叠。

2.2 Convolutional Block Attention Module (CBAM)

为突出判别性特征，研究人员在CNN特征提取后串联CBAM。对于输入特征图F∈?^C×T：①通道注意力模块(Channel Attention Module, CAM)分别做全局平均池化(Global Average Pooling, GAP)与全局最大池化(Global Max Pooling, GMP)得1×C描述子，经同一隐藏层降维比r的共享MLP加和后经Sigmoid激活得M_c∈?^C×1，通道精炼特征F'=M_c(F)?F；②时空注意力模块(Temporal Attention Module, TAM)对F'沿通道维做平均池化得1×T向量，经一维卷积核大小为k的一维卷积与Sigmoid生成时间注意力图M_t∈?^1×T，最终输出F''=M_t(F')?F'。CBAM可端到端训练且无额外参数量大幅增加。

2.3 DBO–VMD–CBAM–CNN Classification Framework

研究人员将DBO优选VMD分解所得IMF特征图送入含CBAM的CNN：两层一维卷积(Conv1d)+批量归一化(Batch Normalization, BN)+ReLU+最大池化(Max Pooling)，接CBAM模块后再经GAP、Dropout、全连接层及Softmax。训练采用交叉熵损失(Cross Entropy Loss)与Adam优化器，验证集监控Early Stopping防过拟合。

2.4 Experimental Results and Analysis

在Bonn数据集二分类(Normal vs Ictal、Interictal vs Ictal)和三分类(Normal/Interictal/Ictal)任务中，所提方法最高准确率达XX%（原文具体数值依实验表），平均高于传统VMD–CNN约X%、EEMD–CNN约X%，F₁值同步提升；混淆矩阵显示Ictal类召回率显著改善。消融实验证实DBO参数优选较固定(K=4, α=2000)降低模态混叠、CBAM使模型聚焦病理相关节律波段(theta、beta频段能量集中IMF)，二者缺一不可。抗噪测试添加不同信噪比(Signal-to-Noise Ratio, SNR)高斯白噪声时本文方法性能下降幅度最小，证明鲁棒性。

讨论与结论

研究人员得出结论：①DBO可有效自适应确定VMD关键参数K与α，避免人工设定偏差并提高分解质量；②CBAM通过通道与时序双重注意力加权强化癫痫相关特征、抑制无关噪声，提升CNN判别力；③二者融合的DBO–VMD–CBAM–CNN框架在公开癫痫EEG数据集上超越多种对照方法，具备较高分类精度与鲁棒性，可为临床癫痫辅助诊断提供可靠自动化工具。未来可探索多目标DBO及与其他深度时序网络(Hybrid SNN–LSTM等)结合进一步提升多类脑电异常检测能力。