海歸學者發起的公益學術平臺
分享資訊，整合資源
交流學術，偶爾風月
近日，華中科技大學伍冬睿教授團隊在跨物種及跨模態癲癇檢測方向取得重要進展，提出了一種基於重構網路（ResizeNet）的多空間聯合對齊（Multi-Space Alignment, MSA）方法，實現了犬類與人類腦電（EEG）訊號的跨物種精準遷移，大幅提升癲癇檢測效能。該研究成果發表於《國家科學評論》（National Science Review, NSR）。
癲癇是一種常見的神經系統疾病，影響全球約6500萬人，同時在犬類等動物中也廣泛存在。由於癲癇發作的複雜性和個體差異性，傳統診斷依賴長時間EEG監測和專業醫師判讀，成本高且依賴大量帶標籤資料。近年來，深度學習方法在癲癇自動檢測中取得一定進展，但仍面臨帶標籤資料量少、腦電訊號跨被試差異大等關鍵挑戰。
基於犬類癲癇和人類癲癇神經生理特性的高度相似性，該研究提出基於重構網路的多空間聯合對齊（ResizeNet+MSA）方法，實現跨物種（犬/人）及跨模態（頭皮/顱內EEG）癲癇檢測，突破單物種、單模態癲癇檢測模型的侷限，實現精準遷移。
跨物種異構差異如圖1所示，研究中所面臨的關鍵問題如下：
-
物種/模態間的輸入異構性：不同物種的EEG採集方式、電極配置、取樣率及訊號特性存在顯著差異。
-
物種/模態間的特徵分佈差異：即使輸入異構得到緩解，不同物種及模態的EEG特徵分佈仍存在偏移，影響模型泛化能力。
-
目標物種/模態標註資料稀缺：在臨床應用中，目標物種的EEG帶標籤訓練資料極其有限，傳統深度學習方法難以有效訓練。
圖1 輸入空間及特徵空間的跨物種差異
研究團隊分析了犬類與人類EEG訊號的跨物種可遷移性，發現兩者在癲癇發作期間具有相似的電生理模式，如圖2所示：
-
時域特徵：癲癇發作時，犬類和人類的EEG訊號均表現出顯著波動，表明時序模式的跨物種一致性。
-
熵特徵：犬類和人類的EEG訊號在癲癇發作期間近似熵明顯增加，表明其物種間一致性。
-
頻域特徵：傅立葉變換後的功率譜密度分析顯示，癲癇發作時，不同物種的EEG在多個頻段均出現功率增強，體現了跨物種頻域特徵的可遷移性。
圖2 時域、能量、頻域的跨物種相似性
針對跨物種EEG遷移的核心挑戰，該研究構建了輸入-特徵-輸出空間聯合對齊機制，實現癲癇檢測的精準跨物種遷移，如圖3所示：
-
輸入空間對齊：提出ResizeNet網路結構，在通道維度對齊不同物種的原始EEG資料，消除跨物種電極配置的異構差異，並結合歐氏對齊進一步降低輸入空間差異。
-
特徵空間對齊：基於域適應，減小跨物種特徵分佈偏移。
-
輸出空間對齊：基於知識蒸餾，提升模型對目標物種重構訊號的預測穩定性。
圖3 基於重構網路的多空間聯合對齊框架
在四個臨床EEG資料集（Kaggle、Freiburg、CHSZ、NICU）上驗證了ResizeNet+MSA方法的有效性：
-
目標域帶標籤資料不足5% 的情況下，跨物種癲癇檢測AUC達92.8%，相比單物種基準提升18.7%。
-
目標物種無任何帶標籤資料時，ResizeNet+MSA仍能實現85.4%的準確率，相比無對齊方法提升17%。
-
透過ResizeNet消除輸入異構差異，保留了關鍵的訊號特徵，如圖4所示。
-
使用ResizeNet+MSA後，來自不同物種的同一類別在特徵空間更加靠近，不同類別則相互遠離，顯示了方法的有效性，如圖5所示。
圖4 ResizeNet前後腦電訊號保留了關鍵的 (a) 時域、(b) 能量及(c) 空域特性
圖5 對齊前後的特徵分佈，其中ResizeNet+MSA方法實現最好的對齊效果，三個任務上不同顏色（物種）的相同形狀（類別）更加接近，不同形狀互相遠離
本研究首次證明犬類EEG可輔助人類癲癇檢測，並提出了一種有效的跨物種遷移學習框架，揭示了腦電的跨物種可遷移性，為增加腦電解碼大模型的訓練資料量提供了新思路。跨物種遷移可顯著降低對人類癲癇EEG帶標籤資料的依賴，為癲癇自動檢測提供新的解決方案。在資料層面，未來研究可擴充套件至更多物種及模態；在應用層面，可進一步拓展至其他神經系統疾病。
華中科技大學博士研究生王紫薇為該論文第一作者，博士研究生李思揚為第二作者，伍冬睿教授為該論文通訊作者。該工作得到了科技創新2030-腦科學與類腦研究“基於神經計算機制的多時間尺度連續學習演算法”專案支援。
點選“閱讀原文”閱讀原文。
媒體轉載聯絡授權請看下方