《IEEE Aerospace and Electronic Systems Magazine》：A New Approach to Automatic Epilepsy Detection From EEG Signals Using Archimedean Spiral and Swin Transformer
编辑推荐：
脑电图（EEG）信号的癫痫检测仍然具有挑战性，因为临床相关的泛化需要受试者独立评估。在本研究中，研究人员提出了一种混合框架，将35通道EEG窗口的每个通道转换为灰度阿基米德螺旋图像，并将生成的逐通道图像堆叠成128×128×35张量。然后，该张量由卷积前端处理
脑电图（EEG）信号的癫痫检测仍然具有挑战性，因为临床相关的泛化需要受试者独立评估。在本研究中，研究人员提出了一种混合框架，将35通道EEG窗口的每个通道转换为灰度阿基米德螺旋图像，并将生成的逐通道图像堆叠成128×128×35张量。然后，该张量由卷积前端处理，随后由Swin Transformer编码器进行癫痫和正常EEG模式的二元分类。所提出的方法在包含121名受试者的公开土耳其癫痫EEG数据集上，使用受试者分层10折交叉验证进行评估。主要受试者独立评估的平均准确率为86.08%，宏F1为85.54%，敏感度为88.41%，特异度为82.80%，ROC-AUC为93.21%。内部消融实验表明，所提出的螺旋-Swin设计提供了具有竞争力的受试者独立性能和强大的判别能力，尤其是在ROC-AUC方面。这些发现表明，基于螺旋的EEG成像是一种有前景的基于Transformer的癫痫检测表示方法，但仍需在更大、更多样化的队列中进行进一步验证。
**论文解读文章**
**1. 研究背景与问题**
癫痫是一种以反复、无诱因的癫痫发作为特征的神经系统疾病，监测癫痫对疾病管理和治疗至关重要。脑电图（EEG）通过头皮电极记录大脑电活动，是常用的监测手段。然而，从EEG信号中自动检测癫痫仍面临挑战，因为临床相关泛化需要受试者独立的评估（即模型对未见受试者的表现）。现有研究中，许多方法使用卷积神经网络（CNN）进行特征提取，但CNN主要设计用于空间特征提取，可能无法充分捕捉EEG信号中的时间动态和跨通道关系。此外，现有研究多依赖CHB-MIT、University of Bonn等常用数据集，这些数据集可能限制了模型在多样临床场景中的泛化能力。因此，需要一种新的表示方法和验证协议，以提升EEG癫痫检测的受试者独立性能。
**2. 研究目的与意义**
本研究提出了一种混合框架，将逐通道的阿基米德螺旋图像编码与Swin Transformer分类器相结合，在受试者独立评估协议下进行癫痫检测。该研究发表在《IEEE Aerospace and Electronic Systems Magazine》。其意义在于：首次将逐通道螺旋编码与混合卷积-Swin Transformer架构结合，并在受试者分层10折交叉验证中进行泄漏感知评估，为EEG信号分类提供了新的表示和验证范式。
**3. 关键技术方法**
研究人员采用以下主要技术方法：
- **阿基米德螺旋图像转换**：将35通道EEG窗口的每个通道（采样率500 Hz，每窗口7500个采样点）渲染为灰度阿基米德螺旋图像（参数：a=0.25, b=0.25, 步长=0.1, 圈数=130, 线条宽度=2像素），图像尺寸调整为128×128，然后堆叠为128×128×35张量。
- **混合卷积-Swin Transformer分类器**：张量先经2D卷积前端（64个滤波器，批归一化，GELU激活）和最大池化层，生成64×64×64特征图，再输入Swin Transformer编码器（块大小2，嵌入维度8，2个注意力头，窗口大小2，编码器深度4），使用窗口多头自注意力（W-MSA）和移位窗口多头自注意力（SW-MSA）。最后经全局平均池化、Dropout（0.25）和全连接层输出二元分类。
- **受试者分层10折交叉验证**：基于121名受试者的土耳其癫痫EEG公开数据集（71名健康对照，50名癫痫患者，共10356个35×7500窗口），在受试者层面构建折，确保同一受试者的所有窗口属于同一折，避免数据泄漏。测试集每折包含12或13名受试者。
**4. 研究结果**
**4.1 主结果（Subject-Wise 10-Fold Cross-Validation）**
在受试者分层10折交叉验证下，所提出的螺旋-Swin模型在10折上的平均准确率为86.08%（标准差5.46%），平均宏F1为85.54%，平均宏精确率为86.30%，平均宏召回率为85.61%，平均敏感度为88.41%，平均特异度为82.80%，平均ROC-AUC为93.21%。95%置信区间：准确率82.18%–89.99%，宏F1 81.60%–89.49%，ROC-AUC 89.77%–96.66%。折间表现存在差异，最佳折（Fold 10）准确率94.43%，ROC-AUC 98.85%；最差折（Fold 9）准确率74.73%，ROC-AUC 81.55%。总混淆矩阵显示3681个真阴性，784个假阳性，672个假阴性，5219个真阳性。
**4.2 内部消融实验**
与三种变体比较：螺旋-CNN基线（相同螺旋张量，CNN分类器）准确率86.89%，宏F1 86.50%；替代Swin变体（螺旋张量，无卷积前端）准确率82.44%；替代CNN变体（无Transformer）准确率82.09%。所提出的螺旋-Swin模型在ROC-AUC上最高（93.21%），表明其判别排序能力最强。
**4.3 通道变体分析**
全35通道设置表现最佳（准确率86.23%，ROC-AUC 93.49%）。缩减至10通道导致性能下降（准确率80.42%，ROC-AUC 88.02%）。单通道设置性能大幅降低（准确率69.33%，ROC-AUC 72.35%），且敏感度高但特异度低，表明决策不稳定。
**4.4 计算复杂度**
所提出的螺旋-Swin模型使用122,377个可训练参数，平均模型大小0.54 MB，而螺旋-CNN基线使用1,543,553个参数，模型大小5.92 MB。表明本模型在准确率-复杂度平衡上更优。
**5. 讨论与结论**
**讨论部分总结**：本研究验证了逐通道阿基米德螺旋成像与Swin分类器结合在受试者独立癫痫检测中的可行性。受试者独立评估比样本合并评估更具挑战性，强调泄漏感知评估的重要性。模型性能在受试者间存在差异，表明某些受试者更具挑战性，未来需更大、更多样化的队列。所提出的模型在参数效率上优于CNN基线，实现了准确率与复杂度的权衡。与现有文献比较时应谨慎，因验证设计和协议不同。本方法应被视为具有竞争力的受试者独立框架，而非在所有指标上绝对优越。
**结论部分翻译**：本文提出了一种混合框架，用于从多通道EEG信号中自动检测癫痫，该框架使用阿基米德螺旋图像编码和基于Swin的分类器。在修订后的泄漏感知评估中，该方法在公开的土耳其癫痫EEG数据集上主要采用受试者分层10折交叉验证进行评估。在此协议下，所提出的模型达到了平均准确率86.08%，宏F1为85.54%，敏感度为88.41%，特异度为82.80%，ROC-AUC为93.21%。这些结果表明，所提出的框架是一种有竞争力的受试者独立解决方案，用于基于EEG的癫痫检测，尤其在ROC-AUC方面表现出强大的判别性能。同时，修订后的实验表明，受试者独立评估比合并窗口评估更具挑战性，强调了EEG研究中严格拆分设计的重要性。未来工作将探索替代的可学习EEG到图像转换，评估更大、更多样化的队列，并进一步在受试者层面分析模型行为。
