ScaleSpecter: 一种频率感知的多尺度补丁框架，用于非平稳条件下鲁棒的生理分类

《Frontiers in Human Neuroscience》：ScaleSpecter: a frequency-aware multi-scale patch framework for robust physiological classification under non-stationarity

　　

摘要
引言：早期检测和干预与神经退行性疾病相关的认知障碍对于减缓疾病进展和提高生活质量至关重要。脑电图（Electroencephalography, EEG）提供高时间分辨率和对神经振荡的敏感性，使其成为早期疾病识别的有前景工具。然而，微弱且短暂的病理异常常被弥漫、非平稳的低频背景节律所掩盖，使得鲁棒特征提取具有挑战性。
方法：研究人员提出了ScaleSpecter，一种频率感知的多尺度补丁框架，用于神经退行性疾病相关的EEG分类。ScaleSpecter首先在多尺度上构建时间表示，以联合捕获短暂的局部异常和长期节律变化。然后，一个轻量级的交叉尺度注意力机制使细粒度的时间令牌和粗尺度的尺度级摘要之间能够进行交互。最后，一个幅度相位感知的频谱调制模块使用可学习的复数值权重重新校准频谱响应，并为时间特征聚合提供频域指导。
结果：在三个公共EEG数据集上进行了大量实验：阿尔茨海默病和额颞叶痴呆（ADFTD）数据集、巴利亚多利德阿尔茨海默病患者亲属协会（APAVA）数据集以及二十年脑临床研究神经生理学洞察档案（TDBRAIN）数据库。这些数据集涵盖与阿尔茨海默病、额颞叶痴呆和帕金森病相关的分类任务。ScaleSpecter在大多数关键评估指标上取得了有竞争力且普遍良好的性能。消融和可视化结果进一步证明了多尺度时间建模、交叉尺度交互和频谱调制的互补贡献。
讨论：结果表明，将频域指导与多尺度时间表示相结合可以提高非平稳条件下EEG分类的判别能力和鲁棒性。ScaleSpecter为神经退行性疾病相关的生理信号分析提供了一个潜在可推广的框架。

神经退行性疾病（如阿尔茨海默病、额颞叶痴呆和帕金森病）相关的认知障碍早期检测对减缓疾病进展和提高生活质量至关重要。脑电图（EEG）因高时间分辨率和神经振荡敏感性成为早期识别工具，但EEG信号具有显著非平稳性，微弱局部病理异常常被弥漫低频背景节律掩盖，现有方法难以同时捕获短暂局部波动和长期节律变化。为此，研究人员提出ScaleSpecter——一种频率感知多尺度补丁框架，用于非平稳条件下神经退行性疾病相关EEG分类，论文发表在《Frontiers in Human Neuroscience》。

研究人员主要采用了三项关键技术方法：1）多尺度补丁编码（MSPE），在不同时间窗口大小上构建异质时间令牌，联合表示局部扰动和长期节律；2）轻量级交叉尺度注意力（CSA），通过粗粒度尺度摘要与细粒度令牌的双向交互实现多尺度特征校准；3）幅度相位感知频谱自注意力（SSA），利用可学习复数值门控进行频谱调制，为时间聚合提供频域指导。实验样本来自三个公共数据集：ADFTD（88名受试者，3类）、APAVA（23名受试者，2类）和TDBrain（72名受试者，2类），所有样本预处理为256时间点。

3.1 基线方法：研究人员选取了EEGNet、EEGInception、EEGConformer、GPT4TS、CrossGNN、FEDformer、FourierGNN、iTransformer、PatchTST、TodyNet、MedFormer和KEMed等12种代表性方法进行对比。

3.2 实现细节：统一采用Adam优化器、学习率1×10^-4、最大100轮、早停策略、批量大小（APAVA和TDBrain为32，ADFTD为128），ScaleSpecter使用6层编码器，特征维度128，隐藏维度256。

3.3 受试者依赖结果：在APAVA和ADFTD数据集上，ScaleSpecter在Accuracy、Precision、Recall、F1-score、AUROC和AUPRC等指标上均取得最优或次优数值，表明其能有效建模同一受试者内稳定的疾病相关模式。

3.4 受试者独立结果：在三个数据集上，ScaleSpecter在多数指标上表现最佳，尤其在ADFTD的三分类任务中Recall、F1-score、AUROC和AUPRC领先，在TDBrain上AUROC达97.60%，证实了良好的跨受试者泛化能力。

3.5 可视化分析：ROC曲线显示模型在TDBrain上区分能力最强（宏平均AUC 0.9717），在APAVA上敏感度较高但特异性较低，ADFTD三分类中类间混淆显著但AUC仍高于随机基线。混淆矩阵进一步揭示了类别分布特性。

3.6 五折受试者级交叉验证：在更严格的受试者级五折交叉验证下，ScaleSpecter在ADFTD上Accuracy和Recall最高，在APAVA上Precision、Recall和F1-score最优，在TDBrain上多数指标领先，表明其优势不依赖于单一数据划分。

3.7 消融研究：移除MSPE、CSA、SSA或Gate模块后，性能均出现不同程度下降，其中MSPE对性能贡献最大，CSA和SSA进一步增强了特征表示能力，Gate机制起辅助优化作用，全模型在所有数据集上表现最佳。

讨论部分指出，多尺度时间建模使模型能同时捕获短时局部波动和长期节律背景，避免了单一尺度或单一频域统计的局限性；频域调制中，SSA模块在不同头层形成差异化频谱偏好，适应了神经退行性疾病中低频增强和高频减退的复杂特征；交叉尺度注意力增强了多尺度表示间的一致性，并保留了通道间的结构化协作信息。空间可视化显示模型对健康对照和阿尔茨海默病样本的响应具有区域性差异，与已知神经病理学特征一致。局限性包括：仅在三个数据集上验证，泛化性需更大规模多中心数据检验；受试者独立设置的统计优势非均匀；仅关注疾病分类，未涉及亚型、进展预测等更细粒度任务；模型解释性仍为传感器级统计模式，需结合源定位和病理生物标志物进一步验证。

研究结论：本研究提出了ScaleSpecter，一种用于非平稳条件下神经退行性疾病相关EEG分类的频率感知多尺度框架。通过结合异质多尺度时间表示与频域幅度和相位感知调制，ScaleSpecter提供了一种统一方法来建模局部瞬态变化、长时间尺度节律背景及其跨尺度交互。在ADFTD、APAVA和TDBrain上的实验表明，该框架取得了有竞争力的整体性能和良好的跨受试者泛化能力，证明了其在神经退行性疾病相关分类任务中建模复杂EEG模式的有效性。这些结果表明，频域引导的跨尺度时间融合可作为非平稳EEG表示学习的有效归纳偏置。未来工作将在更大规模多中心独立临床数据集上进一步验证该框架，并将其扩展到更细粒度的临床任务，如疾病亚型、进展预测和认知维度建模。