基于相位同步多域分析的时空通道注意力图神经网络用于癫痫发作定位

《Healthcare Analytics》：An explainable spatio-temporal graph neural network for seizure localization using multi-domain analytics

　　

从头皮脑电图（EEG）检测癫痫发作因脑信号的非平稳特性以及不同位置神经区域间复杂的时空交互而困难。研究人员引入一种时空通道注意力图神经网络（ST-CA-GNN），用于基于其对所有EEG通道间动态功能连接的表征能力实现自动癫痫检测。EEG信号被建模为时间依赖图，其中网络每个节点对应一个EEG通道，边捕获脑区间基于相位的同步模式。随后每个节点由涵盖时域统计、频域特征、复杂度特征以及源自动态模态分解（DMD）的动力学特征的多域特征表示。通过联合学习空间依赖与时序动态，ST-CA-GNN从多通道EEG记录中区分发作期（ictal）与发作间期（interictal）脑状态。注意力机制自适应加权通道贡献以识别与癫痫活动最相关的EEG区域。通过后验可解释性分析提升模型可解释性，可量化通道级重要性并提供与癫痫相关网络动态有临床意义的信息。该方法在CHB-MIT与Siena EEG数据集上评估，结果跨受试者稳健。统计分析确认ST-CA-GNN在所有评估指标上显著优于基线模型。这些发现表明所提出的基于注意力的时空图学习框架是一种有效方法，可利用空间与时序EEG关系识别与癫痫相关的头皮EEG通道，并为癫痫定位提供支持信息。

研究背景方面，癫痫患者身心负担重，突发放电致 seizure 事件，颅内EEG虽可精准定位致痫灶但具侵入性、成本高，头皮EEG（scalp electroencephalographic, EEG）因无创、廉价、可长程监测成为主流诊断工具，但信号非平稳、人工阅图耗时、传统机器学习手工特征忽略全脑信息、常规深度学习难捕非欧电极空间与动态功能连接。为兼顾检测性能与临床可解释性，研究人员开展本研究，提出时空通道注意力图神经网络（spatio-temporal channel-attention graph neural network, ST-CA-GNN），在CHB-MIT与Siena两个公开头皮EEG队列上同时完成发作检测与通道级定位，论文发表于《Healthcare Analytics》。

关键技术方法上，研究人员以CHB-MIT（23名儿童、23通道、256 Hz、2 s窗）和Siena（14名成人、512 Hz、2 s窗）为样本队列，预处理用0.5–70 Hz巴特沃斯带通+50/60 Hz陷波；节点特征融合时域统计（均值、标准差、偏度、峰度）、频域（Welch PSD提取δ/θ/α/β/γ相对带功率及α/θ、β/α比值）、复杂度（Hjorth参数、香农熵、Higuchi分形维数）与动态模态分解（dynamic mode decomposition, DMD）模幅值/频率/功率；边以相位锁定值（phase locking value, PLV）建时变功能连接图；分类端用图卷积捕获空间、门控循环单元（gated recurrent unit, GRU）捕时序，通道注意力加权，后验用SHAP（Shapley Additive Explanations）量化通道贡献。

研究结果如下。引言部分指出头皮EEG自动检测可减少临床负荷，但现有CNN/RNN/混合模型或忽略通道空间关系，或GCN类未显式建模时序演化，故研究人员以PLV驱动的动态图+通道注意力补足缺口。相关工作中综述CNN、RNN、BiGRU、GCN、HGCN等局限，引出ST-CA-GNN贡献。材料与方法部分，3.1节给出两队列人口学与分段统计、滤波参数；3.2节详述四域节点特征与PLV边构造公式，明确DMD快照矩阵X与X′及低秩算子?=U^*X′VS^-1、模态Φ=X′VS^-1W、特征值Λ求解流程。功能连接图构造节定义PLV为两信号希尔伯特相位差绝对值平均。所提ST-CA-GNN架构节中，图卷积层（Fig.1）做消息传递更新节点表示，GRU层（Fig.2）编码时序，通道注意力生成权重用于定位，SHAP后验解释输出通道重要度排序。实验部分在CHB-MIT与Siena上做受试者独立划分，ST-CA-GNN在准确率、灵敏度、特异度、F1上均显著优于LGCN、HGCN、Epilepsy-Net等基线；注意力图与SHAP一致高亮致痫侧电极，与临床标注发作起始区（seizure onset zone, SOZ）吻合。讨论部分总结，多域节点特征使局部放电 biomarker 可被识别，PLV边补全局超同步，注意力+SHAP让“哪根电极重要、为何重要”可回答临床；跨两数据集稳健性说明框架不依赖单一中心。结论翻译：研究人员提出ST-CA-GNN，通过动态功能连接图与多域节点嵌入联合时空学习，以通道注意力与SHAP实现可解释 scalp EEG 癫痫检测与定位；在CHB-MIT和Siena上跨受试者验证优于基线，证明基于注意力的时空图学习可 leveraged 空间-时序关系识别致痫通道，为术前评估提供数据驱动支持。