用于可解释脑电信号分类的类量子特征工程

以新的视角倾听大脑

医生和研究人员越来越依赖脑电图（EEG）来监测大脑健康，从癫痫和压力到肌萎缩侧索硬化症（ALS）和精神病等严重疾病。但EEG记录往往杂乱、复杂且难以解释，这限制了它们在现实决策中快速且可靠地发挥作用。本文提出了一种轻量级的EEG读解方法，借鉴了量子物理学的思想，同时保留对大脑活动的可解释性，为更快速、更透明的大脑诊断提供了潜在途径。

为何脑电波难以解读

EEG记录来自头皮多个点的微弱电信号。这些信号随时刻变化，容易被眨眼和肌肉运动等伪迹污染，并且在不同个体间存在很大差异。现代深度学习系统可以高精度地分类此类数据，但通常需要大量数据和强大计算资源，而且行为类似黑箱，难以说明其决策依据。然而在医疗场景下，临床人员既需要高性能，又需要清晰、具有生物学意义的解释——尤其是在诊断癫痫、ALS、压力相关问题或精神疾病等严重状况时。

一种类量子的脑活动视角

作者提出了一种从EEG信号中提取信息的新方法，称为量子纠缠粒子模式（Quantum Entangled Particle Pattern，QEPP）。QEPP并非将每个EEG通道单独处理，而是成对地取通道并考察它们的差异，类似于量子力学中“纠缠”粒子的定义取决于它们的联合态而非各自单独的状态。这三种信号——两个原始通道及其差值——随后通过重排序它们的数值来转换，强调它们之间的相对关系，而非精确振幅。第二步称为序列与组合迁移表（Sequential and Combinational Transition Table），它统计这些重排序状态随时间和通道对的变化，构建紧凑的特征，概括脑区之间的合作与竞争。该设计旨在捕捉大脑中复杂的网络样行为，而无需依赖庞大的深度学习模型。

从特征到决策与解释

为了将这些类量子特征转化为实际决策，作者将QEPP嵌入到一个可解释的特征工程框架中。首先，一个名为CWINCA的自动选择器通过迭代测试子集并保留那些能最好区分临床组的特征来搜索最具信息量的特征。接着，调优的k近邻分类器（tkNN）尝试不同的距离度量和设置，选择能产生最高预测准确率的配置。关键是，该方法还跟踪哪些EEG通道对选定特征有贡献，并将其映射到大脑的符号化区域，如额叶、颞叶或枕叶。使用一种称为Directed Lobish的符号方案，系统构建简单的“句子”和连接组图，展示在每项任务中哪些脑叶参与度最高，并给出结果模式的复杂性或可预测性的度量。

方法的实测

研究人员在六类截然不同的EEG问题上评估了他们的框架：检测ALS、去除伪迹、识别压力、区分与暴力相关的脑状态、识别精神病以及分类癫痫。这些数据集在规模、通道数和类别平衡上各不相同，构成了对通用性的严苛检验。采用十折交叉验证，模型在六项任务中均超过90%的准确率，并在四项（压力、暴力、精神病和癫痫）上达到100%，即使在更严格的按受试者划分测试中也保持了强劲性能。与传统小波、连接性和时频特征的比较显示，QEPP的特征始终更具信息量。与深度学习基线相比，新方法在耗费远少的计算时间和内存下实现了相当或更好的准确率，并且可以在普通台式机上舒适运行。

脑图揭示了什么

可解释性层揭示的模式与当前神经科学知识相吻合。对于ALS检测，涉及运动与计划的中央和额部区域参与度很高，暗示了运动功能退化及补偿性控制。在压力检测中，右侧额叶占主导地位，这与情绪调节和执行控制一致。与暴力相关的信号同时调动额叶、顶叶和枕叶，反映出决策制定、感知处理和视觉注意的联合作用。精神病显示出最复杂且广泛分布的连接性，呼应了其可能源于脑网络间通信中断而非单一故障点的观点。相比之下，癫痫表现出高度可预测的以颞叶为中心的模式，与许多癫痫发作的典型起源相符。这些结果表明模型并非仅记忆标签，而是在捕捉不同病症的有意义网络特征。

这对未来脑健康工具意味着什么

对于非专业读者，主要信息是有可能构建简单、快速且透明的工具来读取脑电波，其性能可与或优于重量级的深度学习系统。通过成对观察EEG通道并关注它们之间的关系，这种类量子方法发现了跨病症可泛化的模式，同时还能指向特定的大脑区域和网络。如果进一步得到验证，此类方法可支持诊所甚至家庭环境中的实时监测，帮助检测癫痫发作、跟踪压力或观察神经疾病进展，同时为临床人员提供直观的大脑活动地图。

引用: Alotaibi, F.A., Yagmahan, M.S.N., Alobaid, K.A. et al. Quantum inspired feature engineering for explainable EEG signal classification. Sci Rep 16, 12424 (2026). https://doi.org/10.1038/s41598-026-41821-8

关键词: 脑电（EEG）信号分类, 类量子特征, 可解释人工智能, 脑连接性, 神经疾病检测