用元启发式优化的混合模糊机器学习模型用于准确的基于EEG的神经学评估

倾听脑电波

当有人患有癫痫或陷入深度昏迷时，医生常常求助于脑电图（EEG）——对大脑电活动的记录——来了解情况。但用肉眼解读这些细微曲线既慢又主观，且高度依赖专家判断。本文提出了一种自动化且高度准确的系统，能学习解释用于癫痫发作检测和昏迷评估的EEG模式，有望在每一秒都至关重要的情况下，为患者提供更快、更一致的帮助。

为什么脑信号难以解读

EEG 已被用来无创监测大脑活动已有一个世纪。它对发现癫痫发作和判断昏迷患者意识程度至关重要。然而，原始EEG信号很混乱：它包含肌肉运动、电气干扰以及个体间的自然差异带来的噪声。正常脑活动、肿瘤影响区域和癫痫事件之间的细微差别常常被埋没在这些杂波中。目前医生需要花费大量时间扫描这些波形，在世界许多地区专家又严重不足，导致发作被漏检或昏迷深度被误判。作者旨在将这部分负担交给智能软件，让它在混沌中识别出可靠的模式。

提炼复杂的脑电波

该系统首先对EEG信号进行清理和分解。它滤除噪声，然后从每个记录窗口中测量大量属性：如平均电平和变异性等简单统计量、信号功率在不同频段（例如熟悉的δ、θ、α和β波）间的分布，以及更高级的“非规则性”度量——熵，用来捕捉信号的不可预测性。这些众多测量值构成了对大脑每一时刻的高维描述。为使其可管理，作者引入了特征降维阶段，用数学方法将数十个数值压缩为一组紧凑特征，同时保留最能区分不同脑状态的信息。

受自然启发的分类器调优

为设计该压缩步骤和随后使用的分类器，研究人员借鉴了自然界的思想。“水循环”算法模拟溪流汇入河流和海洋的过程，探索多种组合特征的方式，保留那些能将相似EEG模式紧密聚类并拉开不同模式距离的组合。同时，“海星”优化算法模仿海星的运动与适应行为，使用虚拟群体来微调决策系统的内部参数。该决策系统称为DT‑FIS，将决策树（将数据拆分为分支）与模糊逻辑（允许柔和、渐进的边界而非生硬的阈值）相结合。这些元素共同使模型能够处理脑信号中的不确定性和微妙差异，而不是过早地强制做出简单的非此即彼判断。

区分发作与意识水平

作者在两个具有挑战性的任务上测试了他们的框架。首先，使用贝鲁特美国大学医学中心的EEG记录，系统必须区分若干类型的癫痫活动与安静的非发作时段。其次，使用来自重症监护病房的另一个数据集，它必须基于广泛使用的格拉斯哥昏迷评分来估计昏迷患者的意识水平，数据涵盖患者在休息和在护理人员及家属刺激下的变化阶段。经过训练，这些混合模型取得了显著的性能：识别深度昏迷水平的准确率约为99%，在区分发作与非发作状态方面也取得了类似的分数，优于许多近期深度学习方法，同时使用的特征更少且更具可解释性。

这对患者意味着什么

通俗地说，这项研究表明，将精心选择的EEG测量、智能的降维方法和受自然启发的模糊决策规则相结合，可以产生几乎“总是正确”的自动脑电阅读器。这类系统可以运行在病床边监护仪或便携硬件上，在几秒内标记出发作，并为医护人员提供关于患者清醒或无意识状态的客观第二意见。尽管这些模型仍需在更大且更多样化的人群中验证，但该工作指向了这样一种未来：即使在资源有限的医院也能实现持续、可靠的大脑监测，帮助及早发现危险事件，使治疗决策建立在坚实的数据驱动洞见之上。

引用: Lak, M., Jamali, J., Adlband, N. et al. Hybrid fuzzy machine learning models optimized with meta-heuristics for accurate EEG-based neurological assessment. Sci Rep 16, 11888 (2026). https://doi.org/10.1038/s41598-026-35669-1

关键词: 脑电图（EEG）, 癫痫发作, 昏迷评估, 模糊机器学习, 神经监测