《Brain Topography》:Operational Transformer: An investigation of epilepsy detection
编辑推荐:
脑电图(Electroencephalography, EEG)信号代表了大脑的电活动,已被用于评估脑部状况。EEG信号对于诊断癫痫也至关重要。然而,EEG判读是一项具有挑战性的任务。因此,应当引入新一代方法。本研究的基本目标是提出一种新的Transforme
脑电图(Electroencephalography, EEG)信号代表了大脑的电活动,已被用于评估脑部状况。EEG信号对于诊断癫痫也至关重要。然而,EEG判读是一项具有挑战性的任务。因此,应当引入新一代方法。本研究的基本目标是提出一种新的Transformer模型用于多通道EEG信号分类。研究人员在研究中引入了一种新的Transformer模型,称为Operational Transformer (OpT)。为了评估OpT的分类能力,提出了一种新一代可解释特征工程(Explainable Feature Engineering, XFE)框架。OpT驱动的XFE方法包含四个关键阶段:(i) 利用OpT和转移表(transition table)特征提取器获取EEG信号属性;(ii) 通过累积加权迭代邻域成分分析(Cumulative Weighted Iterative Neighborhood Component Analysis, CWINCA)识别最重要特征;(iii) 通过k近邻(k-Nearest Neighbors, kNN)算法对选定特征进行分类;(iv) 利用基于Directed Lobish (DLob)的解释方法生成可解释输出。这些阶段被整合以构建旨在衡量OpT效率的XFE框架,并在公开可用的EEG癫痫数据集上进行了验证。所提出的以OpT为中心的XFE模型在10折交叉验证(10-fold Cross-Validation, CV)和留一受试者交叉验证(Leave-One-Subject-Out, LOSO CV)下分别产生了99.99%和84.74%的分类准确率。此外,利用DLob为所用数据集生成了连接组图(connectome diagram)。计算得到的分类和可解释性结果表明,在所报告的实验条件下,引入的OpT驱动XFE模型表现强劲。所提出的XFE模型通过提供高分类性能为特征工程做出了贡献,并通过利用DLob生成可解释结果为神经科学提供了帮助。
该研究针对当前癫痫自动检测领域过度依赖深度学习导致计算资源消耗大且缺乏可解释性的问题,提出了一种轻量级的新型特征工程框架。研究人员受Transformer和传统神经网络启发,设计了名为Operational Transformer (OpT)的变换模型,并结合转移表特征提取器、累积加权迭代邻域成分分析(CWINCA)、k近邻(kNN)分类器以及Directed Lobish (DLob)解释方法,构建了完整的OpT驱动可解释特征工程(XFE)框架。实验在包含121名受试者的土耳其癫痫EEG数据集上进行,采用10折交叉验证(CV)和留一受试者交叉验证(LOSO CV)两种协议评估。结果显示,该模型在10折CV下达到了99.99%的准确率,在更严格的LOSO CV下也取得了84.74%的准确率。DLob分析表明,右颞叶(TR)符号在决策中起主导作用,同时涉及额叶和顶叶区域。该研究证明了OpT作为一种非深度学习替代方案,在癫痫检测及神经科学可解释性方面的潜力,相关成果发表在《Brain Topography》期刊。
关键技术方法包括:使用土耳其癫痫数据集(含121名受试者,35通道,500 Hz采样率);构建Operational Transformer (OpT)进行通道关系变换;采用转移表特征提取器生成特征向量;利用CWINCA进行特征选择;通过kNN进行分类;以及利用DLob生成可解释的连接组图和符号序列。
研究结果部分:
- 1.
分类结果:通过混淆矩阵分析,OpT驱动的XFE模型在10折CV下实现了99.99%的分类准确率,在LOSO CV下实现了84.74%的准确率。这表明该模型在样本级分类中表现极佳,但在跨受试者独立测试中存在一定挑战。
- 2.
可解释结果:生成的DLob句子包含144个符号。直方图分析显示TR(右颞叶)是最频繁的DLob符号。连接组图进一步证实TR与其他符号的连接最强,表明模型主要依据颞区相关特征进行判别,但也涉及额叶和顶叶区域。香农熵计算值为2.4015,复杂度比率为64.90%,表明符号序列具有中等程度的结构规律性。
讨论与结论部分:
讨论指出,OpT驱动的XFE模型不仅具有高可靠性,还通过DLob提供了神经科学层面的解释,这是相较于其他仅关注精度的模型的显著优势。神经学解释认为,TR的主导地位与数据集中颞叶癫痫患者较多有关,且模型表现出一种以颞叶为主但空间分布的模式。比较结果显示该模型优于现有的多种深度学习架构。消融实验验证了kNN和CWINCA在该框架内的有效性。此外,模型在EEG压力和伪影分类数据集上的测试也证实了其通用性。研究局限性在于LOSO CV结果低于10折CV,反映出跨受试者泛化的难度。未来研究方向包括开发新一代OpT模型、整合深度学习架构以及在个性化医疗和BCI(脑机接口)领域的应用探索。结论总结认为,OpT-centric XFE是一种轻量级、可解释且有效的EEG信号分类框架,虽然LOSO性能有待提升,但其为癫痫检测提供了一种极具竞争力的深度学习替代方案。