蒙太奇引导融合网络用于长期头皮脑电图癫痫发作检测

《Frontiers in Neuroinformatics》：Montage-guided fusion network for long-term scalp electroencephalography seizure detection

　　

引言：自动从长期头皮脑电图（EEG）中检测癫痫发作可减轻人工审阅负担。然而，多导联EEG常作为输入通道集合处理，未显式建模双极蒙太奇定义的结构关系。方法：研究人员提出MGF-Net，一种用于长期头皮EEG癫痫发作检测的蒙太奇引导融合网络。MGF-Net将18个固定双极导联表示为关系标记图中的节点，该图编码同源链邻接、左右对应及共享电极关系。在对每个epoch独立施加基于epoch的稳健归一化与基于小波的信号重建后，共享一维卷积神经网络从各导联提取时间特征；关系感知图Transformer利用关系特定的键与值投影跨导联进行特征融合；基于注意力的图池化生成epoch表征用于发作概率估计，后处理将epoch级概率转为发作事件检测。结果：在CHB-MIT数据集上，MGF-Net取得段级准确率98.38%、灵敏度93.18%、特异度98.41%；事件级检出全部65个标注测试事件，灵敏度100.00%，误检率0.82/h，延迟2.03 s。讨论：上述结果证明了MGF-Net对长期头皮EEG癫痫发作检测的有效性。

癫痫是一种以异常神经元活动引发反复发作为特征的常见神经系统疾病，长期头皮脑电图（EEG）因其无创记录脑电活动，在癫痫诊断与发作监测中具有重要地位。然而长期EEG审阅劳动密集且依赖临床专家经验，尤其当发作事件相对背景活动稀疏、且发作时长与形态跨患者和记录差异较大时更甚。既有深度学习框架虽能端到端学习多导联表示，但跨导联交互多通过联合多通道表示、通用注意力、预定义邻接或单关系图连通性建模，双极导联构造特有的同源链邻接、左右对应、共享电极三类关系未被显式表示为变量，模型难以区分导联间属于同链相邻、左右对称还是共电极。受双极蒙太奇固有结构先验启发，研究人员开展本研究，提出MGF-Net，将多导联发作检测表述为关系标记图学习问题，以固定蒙太奇关系引导跨导联特征融合，并在《Frontiers in Neuroinformatics》发表。

为开展研究，研究人员采用CHB-MIT公开长期头皮EEG队列（采样256 Hz），取18个固定双极导联（左外侧、左旁矢状、右旁矢状、右侧外、中线五链）为图节点；关键技术包括：每4 s epoch内独立中位–四分位距稳健归一化与Db4五层离散小波变换（DWT）重建保留0–32 Hz；共享一维卷积神经网络（1D CNN）提取各导联时间特征至d=64维；以关系矩阵R∈{0,1,2,3}^C×C标记同链邻接(1)/左右对应(2)/共电极(3)/默认(0)，构建关系标记蒙太奇图；关系感知图Transformer以共享查询投影、关系特定键/值投影实现跨导联注意力融合（2层、4头）；基于注意力的图池化得epoch表征经sigmoid输出发作概率；后处理用居中移动平均滤波、阈值化与collar边界扩展将epoch概率转为事件级检测。

研究结果如下。摘要部分已在前述译文中给出，核心结论为MGF-Net在CHB-MIT上段级准确率98.38%、灵敏度93.18%、特异度98.41%，事件级灵敏度100.00%、误检率0.82/h、延迟2.03 s。引言部分指出长期EEG人工审阅负担重，现有方法未显式利用双极蒙太奇关系先验。相关工作中，研究人员比对了基于时频手工特征+机器学习、CNN/RNN/TCN/LSTM/Transformer类方法，以及以相关矩阵或平面拓扑建图的图卷积网络，指出其未区分双极导联构造型关系；蒙太奇一致通道序列化（MCLF）保序但不标关系类型，MGF-Net补足此缺口。材料与方法部分：数据预处理将EDF转微伏、按18双极导联重组、4 s分epoch（T=1024样本）、稳健归一化剪裁至[?5,5]、Db4五层DWT弃cD₂/cD₁重建0–32 Hz；MGF-Net架构含共享1D CNN（三层卷积+全局平均池化至64维）、可学习导联身份嵌入P加初始节点表示H⁽⁰⁾=F+P、关系标记图构造（同链邻接优先于多关系共存）、关系感知图Transformer（查询共享W_Q^(a,?)，键/值按R_ij选W_K,r^(a,?)/W_V,r^(a,?)，softmax_j归一化得消息m_i^(a,?)，残差+FFN更新至L_g=2层）、注意力图池化（Mish+线性得分数s_c，softmax得α_c，加权求和g=Σα_ch_c^(L_g)）、sigmoid读out发作概率p?=σ(w^?g+b)；后处理对全记录M个epoch概率做奇数长L=2K+1居中移动平均p?_t，阈值θ得?_t=I(p?_t≥θ)，连续正段作候选事件并按K扩边得[a′,b′]。

讨论部分研究人员指出，MGF-Net通过将双极导联设为关系标记图节点，显式区分同链邻接、左右对应、共享电极三类蒙太奇派生结构先验，并以关系特定键/值投影将此先验嵌入图Transformer跨导联融合，使特征交换不仅依赖当前导联特征还依赖蒙太奇关系类型；共享1D CNN保证各导联时间特征同空间，身份嵌入补导联区分，注意力图池化让各导联对epoch决策贡献可学。结论翻译如下：上述结果证明了MGF-Net对长期头皮EEG癫痫发作检测的有效性。