癫痫是一种常见的慢性神经系统疾病，全球患者超过5000万。长期脑电图（EEG）监测是临床诊断与治疗的重要手段，但人工标注癫痫发作不仅耗时耗力，还高度依赖医生的经验。更为复杂的是，EEG数据存在跨受试者的分布差异，同时癫痫发作与正常片段之间存在严重的类不平衡，使得癫痫自动检测面临巨大挑战。
针对这些难题，由国家级领军人才、天津大学脑机交互与人机共融海河实验室副主任刘爽教授团队联合解放军总医院第一医学中心于生元教授团队，提出了一种跨域混合自监督注意力网络MCAN。该方法创新性地融合了时域、空域和频域的自监督学习策略，并结合多尺度特征建模与电极稀疏先验引导的注意力机制，实现了对癫痫发作更加鲁棒、跨受试者的自动检测。这一成果不仅为癫痫智能检测提供了新的研究框架，也为基于脑电图的临床应用开辟了新的路径。研究成果已发表于计算机科学领域中科院一区TOP期刊Knowledge-Based Systems。
MCAN模型由跨域混合自监督学习策略、多尺度特征学习模块以及癫痫发作引导的自注意力机制三部分组成。其中，跨域混合自监督学习策略能够从海量未标注的脑电图数据中同时挖掘时间、空间和频率三方面的潜在特征，即便在发作样本稀缺、类别极度不平衡的情况下，也能保持对异常模式的高敏感性。多尺度特征学习模块则通过不同感受野对脑电信号进行分层建模，更精准地捕捉层级化的时空动态，降低对个体特异性特征的依赖。此外，癫痫发作引导的自注意力机制结合稀疏电极邻接矩阵所提供的空间先验，能够学习脑区之间的同步传播特征，使模型不仅在检测精度上更具优势，还具备模型的可解释性。
图1 MCAN架构示意图
研究团队在四个真实癫痫脑电数据集上对MCAN模型进行了系统验证。结果显示，MCAN在多项关键指标上均优于现有方法，尤其在降低误报率方面表现出色。同时，跨数据集实验进一步证明了该模型在不同EEG分布下依然保持良好的稳健性与泛化能力。总体来看，MCAN提供了一种兼具准确性、实时性和跨域泛化能力的创新型癫痫检测框架，为基于EEG的智能临床应用奠定了坚实基础。
图2 癫痫发作检测结果
本研究依托先进医用材料与医疗器械全国重点实验室和脑机交互与人机共融海河实验室，并获得了国家重点研发计划和天津市杰出青年科学基金的资助。论文第一作者为天津大学医学院2023级博士生洪亭轩，通讯作者为天津大学脑机海河实验室刘爽教授和解放军总医院第一医学中心于生元教授。
https://doi.org/10.1016/j.knosys.2025.114199
仅用于学术分享，若侵权请留言，即时删侵！
欢迎加入脑机接口AI星球
获取更多脑机接口+AI等领域的知识和资源。
加群交流、商业合作请添加微信:RoseBCI【备注：姓名+行业/专业】。
欢迎来稿
1.欢迎来稿。投稿咨询，请联系微信：RoseBCI
点击投稿：
2.加入社区成为兼职创作者，请联系微信：RoseBCI
一键三连「分享」、「点赞」和「在看」
不错过每一条脑机前沿进展
