《Array》:Unified Hierarchical Learning Framework for Alcoholic EEG Classification Integrating an Attention-based Deep Belief Network with Transformer-based Classification Models
编辑推荐:
酒精中毒会通过结构和功能改变深刻影响脑活动,可通过脑电图(EEG)有效观测。严重神经损害的早期检测与预防需要对酒精性EEG模式进行可靠识别。然而EEG信号具有极强非线性、非平稳和高维特性,分类困难。研究人员开发了一种面向酒精性EEG分类的综合层次学习框架。采用
酒精中毒会通过结构和功能改变深刻影响脑活动,可通过脑电图(EEG)有效观测。严重神经损害的早期检测与预防需要对酒精性EEG模式进行可靠识别。然而EEG信号具有极强非线性、非平稳和高维特性,分类困难。研究人员开发了一种面向酒精性EEG分类的综合层次学习框架。采用多种先进特征提取方法,包括人工蜂群(ABC)聚类、Wigner-Ville分布(WVD)、快速沃尔什-哈达玛变换(FWHT)及混合鲸鱼优化-粒子群优化(Hybrid WOA-PSO),以刻画多通道EEG信号的结构、谱、时频特征。研究设置两组实验:实验I将提取特征直接送入基于Transformer的模型分类;实验II提出注意力深度信念网络(A-DBN)评估并筛选最具判别力特征,再由Transformer模型分类。结果表明WVD特征判别力优于其他提取方法;实验I中WVD+Neuromorphic Transformer准确率达97.13%;经注意力精炼后,实验II中WVD+A-DBN+Neuromorphic Transformer准确率达99.48%,且稳定性与泛化性提升。该框架表明时频提取、注意力层次特征选择与Transformer学习结合可显著提升酒精性EEG分类,为酒精相关脑异常自动诊断提供可扩展方案。
研究背景方面,酒精使用障碍(AUD)与认知受损、神经退行风险密切相关,世界卫生组织(WHO)指出有害饮酒每年致数百万人死亡并关联逾200种疾病。EEG以高时间分辨率、低成本无创反映皮层功能连接异常,酒精性EEG常表现为β功率升高、α降低、θ异常及脑区相干性下降。现有方法面临三方面瓶颈:传统单域特征(时域、FFT、小波)表征力不足;CNN/LSTM类深度学习难以建模通道间长程依赖且计算负担大;缺乏系统化特征去冗与选择,易过拟合。为此,研究人员在UCI Alcoholic EEG数据集(122名被试、64通道、256 Hz采样、ICA去眼电肌电伪迹、STFT汉明窗256点50%重叠转时频)上,构建“多提取器—注意力精炼—Transformer分类”的两阶段层次框架,以验证时频判别特征与注意力机制能否协同提升二分类性能。论文发表于《Array》。
关键技术方法上,研究人员并行使用ABC聚类、WVD(平滑伪WVD加128点汉明窗)、FWHT(零填至4096点取1024能量主导系数)、Hybrid WOA-PSO四种提取器;实验II在提取后接入三层栈式受限玻尔兹曼机(RBM)构成的A-DBN,以Softmax注意力权重阈值为0.5筛选256维特征,重排为32令牌、嵌入维128送入四类Transformer(Feature Transformer、Linformer、Spiking Transformer含漏积分发放(LIF)神经元、Neuromorphic Transformer);训练用Adam、二元交叉熵、10折交叉验证、90%/10% train/test。
研究结果部分,第3节材料与方法中,研究人员通过ICA分解重构去除伪迹,STFT获每样本2560点时频面;统计度量(表1)显示WVD的典则相关分析(CCA)达0.5683居首,核密度估计(KDE)分离最佳。3.1节四种提取器分别给出簇心距离最小化、双线性时频能量、Walsh基序列系数、WOA位置更新与PSO速度更新混合策略。3.2节A-DBN选用三层隐藏元1024-512-256,无监督预训练后微调,注意力加权使WVD+A-DBN的CCA升至0.6124,Bhattacharyya距离、KL散度、重叠系数(OVL)均显示WVD与FWHT精炼后类间几乎零重叠。3.3节四类Transformer中,Neuromorphic Transformer以离散脉冲计数决策,适配边缘端低功耗。
第4节结果讨论中,实验I(直接分类)表3显示WVD+Neuromorphic Transformer准确率97.13%、MCC 0.9427、AUC 0.9873为最高;实验II(A-DBN精炼后)表5中同组合跃至99.48%准确率、误差率0.52%、MSE 2.5×10-9、AUC 0.9974,Spiking Transformer在WVD+A-DBN下亦达97.92%。混淆矩阵(图9、图10)印证假阳性率由0.0328降至0.0052。
讨论部分指出,单域提取冗余高,A-DBN通过堆叠RBM与注意力重加权剥离噪声维度,使Transformer专注判别令牌;WVD的高分辨时频瞬态与Neuromorphic脉冲时间建模形成互补,是99.48%精度的主因。结论部分翻译如下:研究所提统一层次学习框架表明,精巧时频提取(WVD)、基于注意力的层次特征选择(A-DBN)与Transformer分类(Neuromorphic Transformer)相结合,较直接特征分类显著增强酒精性EEG判别力;WVD+A-DBN+Neuromorphic Transformer达99.48%准确率、最优MCC/Kappa/AUC与最低误差,为酒精相关脑异常自动诊断提供高效可扩展方案,后续可迁至可穿戴与神经形态硬件部署。