QIC-Fusion：面向基于脑电图的神经退行性病变诊断的噪声条件化特征校准与自适应连续时间建模

《Information Fusion》：QIC-Fusion: Noise-Conditioned Feature Calibration and Adaptive Continuous-Time Modeling for EEG-Based Neurodegeneration Diagnosis

　　**摘要要点：**- QIC-Fusion 将噪声条件化的校准与自适应时序建模相结合。- GQHC 在受界的、噪声水平的扰动下对区域性脑电特征进行校准。- CDTO 利用输入依赖的时间常数来调节状态保持与更新。- 跨数据集和跨任务测试评估了超越同一队列诊断的迁移能力。**引言**神经退行性疾病的精准诊断并非下游的便利性需求，而是早期筛查分层、纵向疗效评估和个体化干预规划的先决条件。脑电图（EEG）因其无创性、可扩展性以及对网络层面功能障碍的敏感性，成为实现这一目标的理想载体；然而在实际情况中，诊断精度仍然十分脆弱[1]。一个核心原因在于，临床脑电数据受两类潜在混杂因素的影响，而这些因素在标签空间中往往未被显式表达：（i）采集站点与设备依赖性特征、个体特异性生理因素以及认知负荷引起的状态波动，可以产生类似病理的瞬时模式，使数据驱动模型得以利用捷径相关关系[2]，而非疾病机制[3]；（ii）病理特征本身往往表现为间歇性出现和切换的网络微状态[4]、[5]，其判别性证据由随时间变化的规律性所承载，例如振荡爆发持续了多久以及状态转换何时发生，而非固定窗口内的静态频带功率。这些因素共同造成了显著的随机性和数据集依赖性差异。因此，传统的固定窗口处理流程和确定性分类器可能难以区分与疾病相关的时序结构以及与采集条件或状态相关的偶然变异。由此产生的技术目标是：学习在受控扰动下仍具有信息量的脑电表示，同时保留与网络活动持续性和切换性相关的时序证据。同时实现这两个目标仍然具有挑战性，因为干扰性变异和间歇性出现的疾病相关活动影响的是学习过程的不同部分。硬件、参考方式、阻抗、预处理惯例以及逐时刻的生理状态可能主导表示空间，产生在同一队列内具有预测能力但与病理关联微弱的特征[6]、[7]。经验风险最小化可能倾向于拟合这类容易学习的关联，而疾病相关的结构往往更微弱、更分散且时间上更稀疏。稳健校准必须在降低对扰动敏感特征方向敏感性的同时，避免将所有短时或低幅事件都视为干扰。与此同时，神经退行性改变可能体现在振荡活动如何随时间出现、持续和变化上[8]、[9]。固定窗口平均和静态池化可能掩盖事件持续时间和状态切换的变异，而传统序列模型常使用的记忆机制并不能显式地根据当前输入自适应调整其有效积分时域。这些因素促使我们提出一个分阶段框架：首先在受控扰动下对区域表示进行校准，然后通过输入依赖的状态保留与更新来建模时序证据。为满足上述需求，我们提出了 QIC-Fusion——一种解剖学分解框架，将区域特征校准与自适应连续时间时序建模相结合。如图1所示，该模型将多通道脑电数据划分为五个解剖学分支持，提取区域表示并在全局融合前对其进行校准。**规范退火同伦校准器（GQHC）** 将受控的、尺度索引的随机扰动注入中间特征，并应用共享的t条件化 FiLM 校准，可选地随后附加一个轻量级残差校正。该模块不通过显式阈值将低幅或短时活动标识为干扰。相反，其参数通过下游诊断目标进行优化，鼓励降低对扰动敏感特征方向的敏感性，同时保留与任务相关的结构。经过校准的区域流随后进行融合，并由**时序驻留-转换算子（CDTO）** 处理。CDTO 利用输入依赖的时间常数来调节前序隐状态被保留的强度以及当前输入对其更新的速率。由此产生的连续轨迹进行时间池化后用于分类，并可支持后续的驻留-转换分析。因此，GQHC 和 CDTO 分别应对流水线中的不同阶段：前者在受控扰动下对中间特征进行校准，后者则建模输入依赖的时序持续性和状态变化。本研究的主要贡献如下：- **QIC-Fusion**：一种解剖学分解的脑电框架，将噪声水平条件化的特征校准置于自适应连续时间时序建模之前。- **GQHC**：一个区域特征校准阶段，将受界的、尺度索引的扰动与共享的t条件化 FiLM 校准以及可选的轻量级残差校正相结合。其参数通过下游诊断目标端到端优化。- **CDTO**：一个自适应时序编码器，其中输入依赖的时间常数调节隐状态的保留与更新。由此产生的连续轨迹经池化后用于分类，并支持后续的驻留-转换分析。**非平稳性与数据集异质性下的稳健脑电诊断**基于脑电的神经退行性疾病诊断越来越多地从手工设计的谱分析和复杂度度量转向端到端模型，直接从多通道记录中学习空间和时序表示。紧凑的卷积架构和较新的序列模型通常在训练和测试数据共享相似的采集协议、设备和受试者条件时表现出色[10]。然而，临床脑电数据包含大量……**总体概述**临床脑电精准诊断面临两大挑战：一方面需要同时抑制大尺度的、与标签无关的变异（站点/设备采集特性、个体生理特征和状态波动），另一方面需要保留本质上具有间歇性和时序结构特征的判别证据（爆发驻留时间和微状态切换模式）。为使可行性问题可操作化，即脑电表示能否在现实扰动条件下仍然对神经退行性疾病具有信息量，同时……**数据集**为探究在现实临床异质性下能否获得扰动不变但时序动态信息丰富的脑电特征，实验在一系列公开可获得的队列上展开，这些队列有意涵盖了不同疾病、采集协议和记录方案。用于阿尔茨海默病谱系评估的 AhepaAD88 提供了88名受试者（36例阿尔茨海默病、23例额颞叶痴呆、29例认知正常）的闭眼静息态脑电数据，数据在神经科诊室使用日本光电（Nihon Kohden）系统采集，采用……**结论**本研究探讨了在两大实际挑战下基于脑电的神经退行性疾病诊断问题：一是采集和个体条件之间与标签无关的变异，二是通过网络活动的持续性和切换性所表达的间歇性时序证据。QIC-Fusion 在解剖学分解的流水线中应对这些挑战，将区域特征校准置于自适应连续时间时序建模之前。GQHC 施加受界的特征空间扰动并……**未引用的浮动图表**表6。**CRediT 作者贡献声明**Xin Rao：撰写——初稿，软件，资源。Yachen Wei：撰写——审阅与编辑，软件。Zhengliang Zhang：撰写——审阅与编辑，概念化。Liyang Yu：资源，数据整理。Wen Sun：数据整理，概念化。Zhiwen Zheng：调查研究，形式分析。Jin Liu：资金获取，数据整理。Zhao Huang：可视化，验证。Jiangtao Zhang：资源，调查研究。Xiaoshuai Zhang：监督指导，概念化。Huiyu Zhou：资金获取……**利益冲突声明**作者声明他们不存在任何已知的、可能影响本文所报告工作的竞争性经济利益或个人关系。