大脑偏侧化评估：一种基于通道注意力机制的可解释深度学习方法

《IEEE Transactions on Big Data》：Cerebral Lateralization Assessment: An Explainable Deep Learning Approach With Channel Attention Mechanism

　　

近年来，跨频耦合（cross-frequency coupling, CFC）因在神经计算与通信中功能作用的有力证据，成为研究广泛认知过程的重要工具。由脑电图（electroencephalography, EEG）信号计算的CFC为检测与异典型大脑偏侧化相关的特定神经状况提供了有力信息。在此背景下使用深度学习（deep learning, DL）具有可扩展性与适应个体变异等优势，但也面临标记样本有限、EEG数据高维噪声导致的过拟合、泛化差及被试间时空变异等挑战。研究人员提出一种新颖深度学习方法来揭示基于CFC的半球间功能差异偏侧化模式。为克服DL应用挑战，研究人员采用合成信号预训练计算特定CFC类型即相位-振幅耦合（phase-amplitude coupling, PAC）的神经网络，并采用对称架构评估半球间差异。模型集成自定义注意力层以学习不同EEG通道的最相关信息及其相对重要性，提升检测细微半球差异的能力并为临床应用提供必要可解释性。结果显示在偏侧化评估中取得良好分类性能（AUC最高0.85），提供关于该障碍机制的可解释洞察，有助于早期检测并更好理解与此状况相关的神经基础。

研究背景与问题提出

大脑偏侧化指一侧半球对可分离于另一半球的认知功能的专业化，自Broca与Wernicke描述左半球运动控制与语言加工以来便是重要课题。现代神经影像表明偏侧化是多维过程，且受个体与发展影响。传统偏侧化评估依赖预定义特征、昂贵神经影像或间接行为测量。EEG虽以高时间分辨率提供脑电动态，但原始信号处理需转化为临床价值特征。CFC（特别是低频相位调制高频振幅的PAC）被认为具神经计算、通信与认知功能意义，但传统PAC估计如锁相值（phase-locking value, PLV）、平均向量长度（mean vector length, MVL）或调制指数（modulation index, MI）受噪声与伪迹影响，且在多频高维EEG下解释困难。DL用于EEG面临标记样本少、高维噪声、被试间时空变异导致过拟合与泛化差。因此研究人员以学习障碍（具体为发育性阅读障碍dyslexia）儿童为对象，开展基于PAC与半球间差异的可解释DL偏侧化评估研究，论文发表于《IEEE Transactions on Big Data》。

主要关键技术方法

研究人员使用西班牙Málaga大学Leeduca组提供的48名4至7岁右利手母语西班牙语儿童EEG（24名阅读障碍临床确诊含ATLAS家庭风险与阅读表现低于均值1.5标准差，24名对照），32通道10-20系统500 Hz采集，刺激为4.8 Hz、16 Hz、40 Hz调幅带限白噪声各150 s。为克服样本少，基于功率律P(f)~1/f^β（β∈[1,2]）生成布朗/粉红噪色噪声，用FIR分频后以汉宁窗（式2，窗长L=0.5f_s/f_p）按耦合强度α∈[0,1]调制高频振幅生成合成PAC信号，并以MVL校验（表II）。PAC网络为双分支1D-CNN（核20步3）+两层LSTM（隐400）融合全连接出单值耦合强度，先用合成信号预训练再迁移。上层为连体神经网络（Siamese network）共享权重比左右半球同构通道PAC差异，末端分类对照/障碍。通道注意力层以Conv1D（核20）→ELU→AvgPool（5,2）→Dense(40)→Softmax得通道权，实现通道筛选与可解释性。

研究结果

SECTION I. Introduction

综述偏侧化从简单二分到分布式网络交互的演变，指出CFC/PAC的生物学基础（兴奋性波动、突触整合、网络交互），明确DL直接原始EEG提取模式优于传统特征，但需解决样本与噪声问题，提出合成数据预训练+Siam+通道注意力的总框架。

SECTION II. Related Works

梳理PAC在精神分裂、强迫症、阿尔茨海默、帕金森及阅读障碍中异常证据；指出PLV/MVL/MI对伪迹敏感；CNN/RNN/LSTM及EEGNet在BCI与ADHD分类应用；Siamese在神经影像对称性比较的潜力；点明已有合成EEG（AR、傅里叶、GAN）但未与PAC-DL融合，注意力可降低多通道组合计算成本并提供空间时间解释。

SECTION III. Materials and Methods

A. Database：如上48例队列与采集参数，预处理含0.1-120 Hz零相滤波、50 Hz陷波、ICA去眼电、平均参考。

B. Overall Method Description：PAC网络→双分支Siamese→通道注意力加权→分类，整体对称迁移。

C. Synthetic EEG Data Generation：色噪模型与Algorithm 1（LPF取相、HPF取幅、按θ_c定位相位点乘α·汉宁窗、加布朗噪），耦合强度与MVL高度相关（α=0,0.25,0.5,0.75,1各5000对）。

D. PAC Estimation With Deep Learning：双分支各接1D-CNN（式5）+MaxPool+双层LSTM（式6-11门控）+拼接全连接嵌50→线性出PAC值，免去传统解析信号与繁琐预处理。

E. Attention Layer：输入X∈R^C×S经Conv1D(20)→ELU→AvgPool(5)→Conv1D(20)→ELU→AvgPool(2)→Flatten→Dense40→Softmax得每通道权，权值揭示语言加工差异脑区。

SECTION IV. Results（原文未随文档给出数值小节但摘要与贡献指明）

在对照与阅读障碍儿童分类中AUC达0.85，通道注意力定位到与语言处理相关的偏侧化差异通道，合成预训练使真实EEG微调泛化提升。

SECTION V. Discussion

讨论部分指出，所提框架兼顾PAC估计、半球对称比较与通道级可解释，合成数据缩小真实样本缺口，注意力权重可转化为临床可读的“重要脑区”指标，对阅读障碍早期筛查具潜在价值。

SECTION VI. Conclusions（结论翻译）

研究人员得出结论：所提完整DL框架能基于PAC从原始多通道EEG定量评估半球间同步差异所致偏侧化；PAC网络直接从相位与振幅信号估计耦合，合成耦合信号预训练克服真实样本限制；Siamese架构微调后可揭示对照与阅读障碍儿童语言加工偏侧化差异；自定义通道注意力同时提升计算效率与临床可解释性；该方法在阅读障碍相关语言加工异常检测中达到AUC最高0.85，为早期检测与神经机制理解提供可解释工具。