基于模糊置信度因果力和多流集成神经网络的脑电信号分类方法

引用本文

范敏, 陈秋羽, 李金海. 基于模糊置信度因果力和多流集成神经网络的脑电信号分类方法. 模式识别与人工智能, 2026,39(4): 330-347
FAN Min, CHEN Qiuyu, LI Jinhai. EEG Signal Classificaiton Method Based on Fuzzy Confidence Causal Power and Multi-stream Ensemble Neural Networks. PATTERN RECOGNITION AND ARTIFICIAL INTELLIGENCE, 2026,39(4): 330-347. 复制到剪切板

Doi: 10.16451/j.cnki.issn1003-6059.202604003
Permissions

《模式识别与人工智能》编辑部

基于模糊置信度因果力和多流集成神经网络的脑电信号分类方法

范敏^1,^2,³, 陈秋羽^1,^2,³, 李金海^1,^2,³

1.昆明理工大学数据科学研究中心昆明 650500

2.昆明理工大学理学院昆明 650500

3.昆明理工大学云南省复杂系统与类脑智能重点实验室昆明 650500

通讯作者：

李金海,博士,教授,主要研究方向为认知计算、粒计算、大数据分析、概念格、粗糙集.E-mail：jhlixjtu@163.com.

作者简介:

范敏,博士,副教授,主要研究方向为数据挖掘、粗糙集、粒计算、社会网络分析.E-mail：fmkmust@163.com.

陈秋羽,硕士研究生,主要研究方向为网络形式背景、因果力.E-mail：wcqy946@163.com.

收稿日期: 2026-02-09 接受日期: 2026-04-22

资助项目: 国家自然科学基金项目（No.62476114）、云南省基础研究计划项目（No.202401AV070009）资助

摘要

癫痫脑电信号的自动识别对于辅助临床诊断具有重要意义,然而癫痫脑电自动检测中普遍存在高维冗余、预测非平稳及跨域泛化困难等问题.因此,文中提出基于模糊置信度因果力和多流集成神经网络的预测方法.首先,为了解决高维冗余问题,提出基于Rényi熵的模糊置信度因果力特征筛选算法,引入模糊Rényi熵和置信度因果力理论,量化特征与标签类别间的双向因果效应,并利用数据结构约束,挑选具有强因果解释性的关键特征.然后,构建因果力属性网络形式背景和因果力属性网络空间,挖掘属性之间蕴含的拓扑特征,实现无结构数据的网络化建模.最后,设计多流集成神经网络,分别集成深度全连接流网络、宽流网络和窄深流网络,同时捕获数据中的局部细节与全局依赖,并通过拼接层融合多尺度特征表示.在Bonn数据集与CHB-MIT临床长程数据集上的实验表明,文中方法在多任务设置下均取得稳定且优异的检测性能,在区分癫痫发作信号方面具有显著的鲁棒性,由此验证置信度因果力特征选择与多流集成学习结合的有效性.

关键词: 形式背景; 因果力; 特征筛选; 癫痫检测; 集成神经网络

中图分类号:TP183;TP391.4

EEG Signal Classificaiton Method Based on Fuzzy Confidence Causal Power and Multi-stream Ensemble Neural Networks

FAN Min^1,^2,³, CHEN Qiuyu^1,^2,³, LI Jinhai^1,^2,³

1. Data Science Research Center, Kunming University of Science and Technology, Kunming 650500

2. Faculty of Science, Kunming University of Science and Technology, Kunming 650500

3. Yunnan Key Laboratory of Complex Systems and Brain-Inspired Intelligence, Kunming University of Science and Technology, Kunming 650500

Corresponding author：
LI Jinhai, Ph.D., professor. His research interests include cognitive computing, granular computing, big data analysis, concept lattice and rough set.

About Author:
FAN Min, Ph.D., associate professor. Her research interests include data mining, rough set, granular computing and social network analysis.
CHEN Qiuyu, Master student. His research interests include network formal context and causal power.

Fund:National Natural Science Foundation of China（No.62476114）, Yunnan Fundamental Research Project（No.202401AV070009）

Abstract

The automatic identification of epileptic electroencephalogram（EEG） signals is of paramount importance for clinical diagnosis. However, high-dimensional redundancy, non-stationarity, and difficulties in cross-scenario generalization are commonly encountered in automatic EEG detection. To address these issues, a EEG signal classificaiton method based on fuzzy confident causal power and multi-stream ensemble neural networks is proposed. First, a feature selection algorithm based on Rényi entropy and fuzzy confident causal power（FCCP） is proposed to mitigate high-dimensional redundancy. Fuzzy Rényi entropy and the theory of confident causal power are introduced to quantify the bidirectional causal effects between features and labels. Key features with strong causal interpretability are selected by utilizing data structure constraints. Second, the formal context and the space of causal power attribute network are constructed to mine underlying topological features. Thus, network-based modeling of unstructured data is achieved. Finally, a multi-stream ensemble neural network（MENN） classifier is developed. The deep fully-connected stream, the wide stream and the narrow-deep stream are integrated to simultaneously capture local details and global dependencies. Multi-scale feature representations are fused through a concatenation layer. The experiments on Bonn and CHB-MIT clinical datasets demonstrate that the proposed method achieves stable and superior performance under multi-task settings, exhibiting significant robustness in distinguishing seizure signals. The effectiveness of the combination of confident causal power-based feature selection with multi-stream integrated learning is verified.

Key words: Key Words Formal Context; Causal Power; Feature Selection; Epilepsy Detection; Ensemble Neural Network

文章图片

脑电图（Electroencephalogram, EEG）现已广泛应用于癫痫及认知、睡眠障碍等疾病的临床诊断^[1].针对如何实现快速有效预测这一核心问题, 当前研究主要聚焦于特征获取、特征筛选及分类预测三大关键环节.

EEG信号特征获取方面的基本方法分为：时域特征提取方法、频域特征提取方法、时频特征提取方法、非线性动力学特征提取方法及空间域特征提取方法.Fei等^[2]提出FrFTL（Large Lyapunov Exponent Feature of Fractional Fourier Transform Series）, 采用分数傅里叶变换、自适应最大李雅普诺夫指数及其能量, 同时捕捉癫痫EEG信号的混沌性与频率域特征.Wang等^[3]利用Teager能量熵、曲线长度及Tea-ger-Huang变换进行特征提取, 性能优于传统能量熵方法.Zhang等^[4]结合离散小波变换（Wavelet Trans-form, DWT）、功率谱密度（Power Spectral Density, PSD）、标准差、频带能量与模糊熵（Fuzzy Entropy, FuzzyEn）进行特征提取, 尽管能有效整合多样化的特征信息, 但也引入冗余并增加计算复杂性.

尽管机器学习与深度学习在EEG分析中性能显著, 但“ 维度灾难” 仍是核心挑战之一.当前癫痫EEG检测的特征选择方法主要分为过滤式方法、包装式方法和嵌入式方法.过滤式方法基于统计或信息论准则独立评估特征重要性, 如方差分析^[5]、最大相关最小冗余^[6]等, 虽计算高效、通用性强, 但忽略特征间关联及任务特异性, 可能遗漏关键特征组合.包装式方法（如递归特征消除^[7]、遗传算法^[8]）将特征选择与分类器性能绑定, 能捕捉复杂特征关系, 但计算成本较高、泛化能力较弱, 过度依赖训练数据.嵌入式方法（如结合L1正则化^[9]、LASSO（Least Absolute Shrinkage and Selection Operator）^[10]）将特征选择融入模型训练, 虽然兼顾效率与适配性, 却只能绑定特定模型, 通用性受限.此外, 近年来兴起的深度学习及混合特征选择方法虽具备自动特征学习能力, 但依赖大规模标注数据, 训练复杂、可解释性较差, 难以满足临床需求^{[11, 12]}.

Pearl^[13]通过计算因果图中的条件分布, 提出“ 因果力” （Causal Power）这一度量特征之间因果关系的新标准, 为识别分类任务中的关键节点与特征提供量化工具.Hoel等^[14]利用EI（Effective Infor-mation）定量论证宏观系统在因果效力上优于其微观底层.Varley等^[15]进一步从信息转换的视角探讨跨尺度因果效应的产生机制.Zhang等^[16]提出C-GraphSAGE（Causal GraphSAGE）、Sui等^[17]提出CAL（Causal Attention Learning） Strategy, 都会捕捉特征间的因果关联, 可显著增强节点的特征表示能力.Fan等^[18]基于模糊熵和因果力, 提出FECCM（Fuzzy Entropy Causality Classification Method）.Yue等^[19]提出3WC-SNB（Three-Way Classification Algo-rithm with Shadowed Neighborhoods）, 采用模糊关系建模图像与其标签间的映射.在此基础上, Zhang等^[20]提出GTSS（Game-Theoretic Shadowed Sets）, 引入博弈论视角, 优化三支决策边界的权衡.Wang等^[21]提出MFEFS（Multiscale Fuzzy Entropy-Based Feature Selection）, 进一步利用多尺度模糊熵, 增强特征选择过程中对不确定性的量化能力, 实现分类性能的提升.传统降维方法忽略特征与标签类别之间的双向因果关系, 在处理高维数据时, 此类方法难以有效区分与标签存在强相关性但缺乏反向判别能力的虚假特征.

Wille^[22]于1982年首次提出形式概念分析（Formal Concept Analysis, FCA）, 现广泛应用于数据分析、特征约简、网络科学等多个领域.FCA利用约简后的特征空间构造因果力网络形式背景和网络空间, 有助于概念分析方法与复杂网络分析方法、神经网络方法的结合.

然而, EEG数据经筛选之后仍表现出个体差异性、非平稳性和混沌特征.单流式神经网络架构往往难以有效捕捉癫痫发作活动的多样性模式, 因此, 亟需一种同时考虑算法时间和效果, 也注重宽度、深度的分类架构.目前主流的研究是在脑电图记录中采用深度学习进行自动癫痫发作检测.Ahmed等^[23]提出基于机器学习的集成技术.Kapoor等^[24]提出结合优化驱动的集成分类器, 包括AdaBoost、随机森林（Random Forest, RF）和决策树（Decision Tree, DT）分类器.Sunaryono等^[25]提出结合1D-CNN（One-Dimension Convolution Neural Network）、Majority Vo-ting及深度神经网络（Deep Neural Network, DNN）的混合模型.

为了提升运算效率与特征提取能力, 本文提出基于模糊置信度因果力和多流集成神经网络的脑电信号分类方法（EEG Signal Classificaiton Method Based on Fuzzy Confidence Causal Power and Multi-stream Ensemble Neural Networks, FCCP-MENN）, 协同捕获EEG信号的多尺度抽象特征与细粒度局部模式, 有效弥补单一网络在复杂模式表征上的局限.首先, 引入基于Ré nyi熵的模糊置信度因果力特征筛选算法（Fuzzy Confidence Causal Power, FCCP）, 有效剔除高维空间中的冗余与噪声, 提取具有较高判别力特征子集, 为下游深度学习模型提供稳健的输入表征.然后, 构建因果力属性网络形式背景与因果力属性网络空间, 通过特征间因果力建立拓扑权重, 将决策数据表映射为属性网络, 使非结构化数据具备复杂网络及图卷积神经网络的分析与建模能力.最后, 设计多流集成神经网络（Multi-stream Ensemble Neural Network, MENN）, 并行集成3个异构子网络, 有效克服单一架构在复杂流形上的过拟合风险.通过将多流知识映射至全连接层, 显著增强模型的泛化能力.在Bonn数据集与CHB-MIT临床长程数据集上的实验表明, FCCP-MENN在多任务设置下均取得稳定且优异的检测性能, 在区分癫痫发作信号方面具有显著的鲁棒性, 由此验证置信度因果力特征选择与多流集成学习结合的有效性.

1 基本概念

定义1^[22] 设三元组（U, A, I）为形式背景, 其中,

U={x₁, x₂, …, x_n},

表示非空有限对象集,

A={a₁, a₂, …, a_m},

表示非空有限属性集, I表示U× A上的二元关系.若（x, a）∈ I, 对象x具备属性a, 否则不具备属性a.

对于∀ X∈ 2^U, B∈ 2^A, 有

1）xI={a∈ A |（x, a）∈ I}, 表示对象x具备的所有属性集合;

2）Ia={x∈ U |（x, a）∈ I}, 表示具备属性a的对象集合;

3）X^*={a∈ A |∀ x∈ X, （x, a）∈ I}, 表示X内所有对象共同具备的属性集合;

4）B^*={x∈ U |∀ a∈ B, （x, a）∈ I}, 表示具备集合B中所有属性的对象集合.

定义2^[22] 设（U, A, I）为形式背景, 若X⊆U, B⊆A, （X, B）满足X^*=B且B^*=X, 称其为形式概念, 简称概念, 其中, X表示概念的外延, B表示概念的内涵.

受Pearl因果力启发, 本文通过规则前件c_i、后件d_j和它们对应的前向置信度μ _ij、后向置信度μ _ji, 描述规则及其确定性程度.

定义3^[18] 对于规则

$r\left(c_{i}, d_{j}\right): c_{i} \xrightarrow{\mu_{i j}} d_{j}$

及其反向规则

$r\left(d_{j}, c_{i}\right): d_{j} \xrightarrow{\mu_{j i}} c_{i}, $

定义特征c_i与类别d_j之间的因果力：

CP=μ _ij+μ _ji-1,

其中, CP∈ [-1, 1], 用于衡量特征与标签在双向关联中的因果强度.

2 基于模糊熵置信度因果力和多流集成神经网络的脑电信号分类方法

本文主要解决2个问题：1）通过模糊置信度因果力筛选重要特征; 2）利用多流集成神经网络, 将3个深度、宽度互补的子网络进行全连接, 实现癫痫数据分类.

由此本文提出基于模糊置信度因果力与多流集成神经网络的脑电信号分类方法（FCCP-MENN）, 整体架构如图1所示.

	Figure Option View Download New Window
	图1 FCCP-MENN整体架构Fig.1 Overall architecture of FCCP-MENN

FCCP-MENN包含如下3个阶段.

1）数据预处理与多域特征获取.

2）基于Ré nyi熵的模糊置信度因果力特征筛选算法（FCCP）, 筛选具有强因果解释性的最优特征子集.

3）设计多流集成神经网络（MENN）, 通过并行子网络获取多尺度特征并输出最终诊断结果.

2.1 基于Ré nyi熵的模糊置信度因果力特征筛选算法

由于EEG癫痫原始特征空间普遍存在高维、非线性及分布复杂等特性.本文提出基于Ré nyi熵的模糊置信度因果力特征筛选算法（FCCP）.

假设第i个样本可表示为（x_i, y_i）, 其中, x_i表示第i个样本对应的脑电数据, y_i表示第i个样本对应的标签值.设 $x_{i}^{c_{k}}$ 表示第i个样本在第c_k个特征维度上的取值, 将其划分为m个模糊区间{bi $n_{1}^{c_{k}}$ , bi $n_{2}^{c_{k}}$ , …, bi $n_{m}^{c_{k}}$ }, 于是有正向规则

$R_{i j}: \boldsymbol{x}_{i}^{c_{k}} \in \operatorname{bin}_{p}^{c_{k}} \xrightarrow{\mu_{i j}} y=y_{j}, $

反向规则

$R_{j i}: y=y_{j} \xrightarrow{\mu_{j i}} \boldsymbol{x}_{i}^{c_{k}} \in \operatorname{bin}_{p}^{c_{k}}, $

其中, μ _ij、 μ _ji分别表示该规则的前向置信度和后向置信度, y表示样本对应的类别标签.将μ _ij、 μ _ji表示为模糊值可有效解释分类规则中固有的不确定性和模糊性.

为了书写简洁, 将特征区间bi $n_{p}^{c_{k}}$ 简记为 $b_{p}^{c_{k}}$ .进一步地, 为了量化规则的置信度, 给出如下定义4.

定义4 特征区间 $b_{p}^{c_{k}}$ 的覆盖集记为

（ $b_{p}^{c_{k}}$ ）^*={x_i|x_i∈ $b_{p}^{c_{k}}$ },

类别y_j的覆盖集记为

（y_j）^*={x_i|（x_i, y_j）}.

定义5 规则的前向置信度μ _ij与后向置信度μ _ji定义如下：

μ _ij= $\frac{| (b_{p}^{c_{k}})^{*} ⋂ (y_{j})^{*} |}{| (b_{p}^{c_{k}})^{*} |}$ ,

μ _ji= $\frac{| (b_{p}^{c_{k}})^{*} ⋂ (y_{j})^{*} |}{| (y_{j})^{*} |}$ .

针对癫痫检测的类别不平衡问题, 传统Shannon熵对小概率发作模式的区分力有限, 本文引入Ré nyi熵, 设定参数α < 1, 增强对少数类样本的表征能力, 更适用于非平衡场景中的癫痫检测.

定义6^[26] 设p₁、p₂是由前向置信度μ _ij与后向置信度μ _ji经过归一化处理后得到的概率分布, 则该特征对应的模糊Ré nyi熵定义如下：

H_α（p）= $\frac{1}{1 - α}$ log₂（ $p_{1}^{α}$ + $p_{2}^{α}$ ）,

其中, α > 0表示阶指数,

$\left(p_{1}, p_{2}\right)=\left(\frac{\mu_{i j}}{\mu_{i j}+\mu_{j i}}, \frac{\mu_{j i}}{\mu_{i j}+\mu_{j i}}\right) .$

定义7 模糊Ré nyi熵置信度因果力定义如下：

CPE_j_,_b=1- $\frac{1}{lo g_{2} K}$ · $\frac{H_{a} （ p ）}{H_{\max}}$ , （1）

其中, $\frac{1}{lo g_{2} K}$ 用于消除标签带来的影响, K表示决策标签个数, 0< α < 1,

H_max= $\frac{1}{1 - α}$ ,

表示最大模糊Ré nyi熵.

进一步发现, 模糊Ré nyi熵置信度因果力比传统的因果力更具有区分性, 下面举例说明.

例1 假设有如下2个规则：

$ \begin{array}{l} r_{A}: \mu_{i j_{1}}=0.9, \mu_{j_{1} i}=0.3, \\ r_{B}: \mu_{i j_{2}}=0.7, \mu_{j_{2} i}=0.5, \end{array} $

传统因果力：

$ \begin{array}{l} C P(A)=\mu_{i j_{1}}+\mu_{j_{1} i}-1=0.9+0.3-1=0.2, \\ C P(B)=\mu_{i j_{1}}+\mu_{j_{1} i}-1=0.7+0.5-1=0.2, \end{array} $

r_A和r_B的因果力相同, 于是在传统因果力下无法进行分类.

由式（1）可计算规则r_A、r_B的Ré nyi熵置信度因果力：

$ \begin{aligned} \left(p_{A_{1}}, p_{A_{2}}\right)= & \left(\frac{0.9}{0.9+0.3}, \frac{0.3}{0.9+0.3}\right)= \\ & (0.75, 0.25), \\ \left(p_{B_{1}}, p_{B_{2}}\right)= & \left(\frac{0.7}{0.7+0.5}, \frac{0.5}{0.7+0.5}\right) \approx \\ & (0.58, 0.42) . \end{aligned} $

最大模糊Ré nyi熵：

H_max= $\frac{1}{1 - 0.5}$ =2,

则规则r_A、r_B的模糊Ré nyi熵为：

$ \begin{array}{l} H_{r_{A}}=\frac{1}{1-0.5} \log _{2}\left(0.75^{0.5}+0.25^{0.5}\right), \\ H_{r_{B}}=\frac{1}{1-0.5} \log _{2}\left(0.58^{0.5}+0.42^{0.5}\right) . \end{array} $

规则r_A、r_B的Ré nyi熵置信度因果力为：

CPE（r_A）=1- $\frac{1}{lo g_{2} K}$ · $\frac{H_{r_{A}}}{H_{\max}}$ =

1- $\frac{1}{lo g_{2} 2}$ · $\frac{1}{1 - 0.5}$ log₂（0.75⁰^.⁵+0.25⁰^.⁵）· $\frac{1}{2}$ ≈ 0.55,

CPE（r_B）=1- $\frac{1}{lo g_{2} K}$ · $\frac{H_{r_{B}}}{H_{\max}}$ =

1- $\frac{1}{lo g_{2} 2}$ · $\frac{1}{1 - 0.5}$ log₂（0.58⁰^.⁵+0.42⁰^.⁵）· $\frac{1}{2}$ ≈ 0.50.

因此

CPE（r_A）> CPE（r_B）,

即规则r_A的双向确定性更大, 可根据规则r_A进行分类.

因果力表征特征间的双向因果确定性, 可作为特征网络的拓扑权重.因此, 本文结合形式背景理论, 构建因果力网络属性形式背景及因果力属性网络空间, 增强无结构数据在网络空间的表达能力, 并为后续的网络概念提取与特征筛选提供核心数据支撑与分析基础.

定义8 因果力属性网络空间四元组（U, CP^A, A, I）称为因果力属性网络空间, 简称属性网络空间, 其中

U={x₁, x₂, …, x_n},

表示非空有限对象集,

A={a₁, a₂, …, a_m},

表示非空有限属性集,

CP^A=（c $p_{kl}^{A}$ ）_m_×_m,

表示属性因果力矩阵, c $p_{kl}^{A}$ 表示属性a_k和属性a_l之间的因果力, I={I₁, I₂},

I₁:A× A→ [0, 1],

表示属性网络空间中属性之间的因果力映射关系, I₂表示笛卡尔积U× A上的二元关系, 约定：（a, x）∈ I₂表示对象x具备属性a, 记为I₂（a, x）=1; （a, x）∉I₂表示对象x不具备属性a, 记为I₂（x, a）=0.

因果力属性网络空间的结构性表达如表1所示.

表1 因果力属性网络空间（U, CP^A, A, I） Table 1 Causal power attribution network space （U, CP^A, A, I）

	CP^A				U
	a₁	a₂	…	a_m	x₁	x₂	…	x_n
a₁	c $p_{11}^{A}$	c $p_{12}^{A}$	…	c $p_{1 m}^{A}$	1	0	…	1
a₂	c $p_{21}^{A}$	c $p_{22}^{A}$	…	c $p_{2 m}^{A}$	0	1	…	0
︙	︙	︙	︙	︙	︙	︙	︙	︙
a_m	c $p_{m 1}^{A}$	c $p_{m 2}^{A}$	…	c $p_{mm}^{A}$	1	1	…	0

表1 因果力属性网络空间（U, CP^A, A, I） Table 1 Causal power attribution network space （U, CP^A, A, I）

若属性a_k（k=1, 2, …, m）为决策属性, 可根据（U, CP^A, A, I）中因果力筛选与决策属性因果力达到一定阈值的特征.另一方面, 考虑到后续神经网络模型中的神经元的构造其实是将多个特征经过非线性组合构成的神经元, 起到特征增强的作用, 于是形象地, 以属性集A={a₁, a₂, …, a_m}为节点, 属性因果力矩阵中元素c $p_{kl}^{A}$ 刻画属性a_k、a_l间的连边权重.属性因果力网络空间的可视化结果如图2所示.

	Figure Option View Download New Window
	图2 形式背景属性网络空间图Fig.2 Schematic diagram of formal context attribute network space

设输入数据包含N个样本, 每个样本包含d个特征, 由此得到FCCP具体步骤.

算法1 FCCP

输入特征矩阵X∈ R^N^×^d,

类别标签

y=（y₁, y₂, …, y_N）∈ {1, 2, …, K}^N,

类别数|C|=K, 最大分箱数B_max

输出特征约简集S

For each class i∈ C do

π _i= $\frac{| ｛ n ∶ y_{n} = i ｝ |}{N}$ ; //π _i表示类别为i的样本占比

根据π _i确定自适应参数（λ _i, σ _i）, 其中λ _i、σ _i分别表示第i类样本的规则置信度阈值和偏离阈值程度;

End for

For j=1 to d do

对x_j进行离散化;

分箱数B_j=min（B_max, |{n:y_n=i}|）;

For b=1 to B_j do

计算前向置信度μ _ij和后向覆盖度μ _ji;

If μ _ij> λ _i then CP $E_{j ， b}^{（ i ）}$ =max（0, μ _ij+μ _ji-1）;

Else if μ _ij∈ [λ _i-2σ _i, λ _i] then

根据μ _ij和π _i自适应选择α ;

计算Ré nyi熵H_α;

CP $E_{j ， b}^{(i)}$ =1- $\frac{1}{lo g_{2} K}$ · $\frac{H_{α}}{H_{\max}}$ ;

Else CP $E_{j ， b}^{(i)}$ =0或赋予权重;

End if

End for

CP $E_{j}^{(i)}$ = $\max_{1 \leq b \leq B_{j}}$ CP $E_{j ， b}^{(i)}$ ;

计算特征j的因果力;

CPE_j= $\max_{i \in C}$ CP $E_{j}^{(i)}$ ;

End for

按CPE_j排列特征, 输出特征约简集S;

Return S

在算法1的因果力量化过程中, 引入基于分段函数的置信评估机制.该机制设定参数 λ 为规则置信度阈值, 表征强相关特征的判别基准.引入参数σ , 定义偏离阈值程度.针对EEG信号在癫痫发作前后的渐近非平稳特性, 构建[λ -2σ , λ ]区间作为不确定性缓冲区.在此区间内, 通过受熵函数调节的CP值对弱规则进行动态赋权, 旨在通过自适应惩罚抑制随机噪声, 同时保留处于临界过渡态的潜在演变特征, 最终实现高质量特征约简, 为下一步深度学习提供高质量输入特征.

2.2 多流集成神经网络

集成不同宽深结构的神经网络可有效捕获复杂数据模式^[27].本文构建多流集成神经网络（MENN）, 包括3个并行拓扑的差异化子网络, 等权重拼接各子网络超平面特征, 形成高阶表征.随后结合全连接层与L1正则化、L2正则化, 优化特征判别性并抑制过拟合, 最终通过softmax函数实现类别概率映射与分类.

设经过FCCP处理后的输入数据包含N个样本, 其中, 单个样本x_i∈ R^D, D表示特征维度.

假设神经网络包含多个隐藏层, 对于任意相邻的第l-1层与第l层, 定义连接权重矩阵W^l和偏置向量b^l.若第l-1层包含m个神经元, 第l层包含n个神经元, 则W^l∈ Rⁿ^×^m.神经元的计算过程包含线性变换与非线性激活两个步骤.

1）首先计算第l层的线性激活值：

Z^l=W^lh^l^-1+b^l,

其中, h^l^-1表示上一层的输出, 当l=1时, h⁰=X, X∈ R^N^×^D, 表示输入特征矩阵.

2）将Z^l输入激活函数σ （· ）, 得到该层的最终输出：

h^l=σ （BN（Z^l））☉m^l,

其中, BN（· ）表示批归一化, m^l表示第l个失活层的掩码向量.

在此过程中, 为了加速收敛并防止过拟合, 拟进行如下处理.首先, 对每个特征进行批归一化, 加速训练, 减少对参数初始化依赖, 起到正则化效果.其次, 利用失活层, 在训练中随机丢弃一些神经元, 使网络不会过度依赖某几个神经元, 从而避免过拟合.

MENN整体映射函数F:R^D→ R^K（K表示类别数）可表示为3个子网络映射函数Φ ₁（· ）、Φ ₂（· ）、Φ ₃（· ）与融合分类器g（· ）的复合, 预测概率向量为：

$ \begin{aligned} \hat{\boldsymbol{y}}= & F(\boldsymbol{x})=g(\Phi(\boldsymbol{x}))= \\ & g\left(\left[\Phi_{1}(\boldsymbol{x}) \oplus \Phi_{2}(\boldsymbol{x}) \oplus \Phi_{3}(\boldsymbol{x})\right]\right), \end{aligned} $（2）

其中$\oplus$表示特征向量的拼接操作.

在集成神经网络中, 为了构建多样化的判别超平面, 3个子网络采用差异化的架构设计.

1）子网络1（深度全连接流网络）.结构上采用层级降维策略, 包含三层全连接层（神经元个数：256→ 128→ 64）.首层引入批归一化, 加速收敛并缓解内部协变量偏移, 首层和次层配合失活层抑制神经元间的协同适应, 确保特征提取的稳健性.对时域特征经过层层非线性激活和组合, 并将分散的时域形态特征与非线性复杂度指标（Hjorth、分形维数）进行高层次的表征关联, 旨在识别复杂的发作期非稳态阶段, 提升识别的特异性, 减少由于局部信号伪迹带来的误报.

2）子网络2（宽流网络）.结构上通过增加神经元宽度以容纳丰富的特征组合模式, 包含三层全连接层（神经元个数：512→ 256→ 64）, 首层和次层配合失活层防止参数量激增导致的过拟合.对原始特征（如Teager能量、零交叉率及各频带功率）的敏感度较高, 能直接捕获那些持续时间极短的高频瞬态异常, 有效锁定发作起始段的特征爆发.

3）子网络3（窄深流网络）.与前面两者不同, 该网络采用低维的4层全连接架构, 前三层恒定为128.层间通过连续的ReLU激活函数与失活层堆叠, 逐步过滤冗余信息并提取深层语义特征, 最终映射至64维输出空间.对于极易受肌电、眼电等短时伪迹干扰的EEG信号, 过滤细小的波动, 专注于学习对数能量熵和多频带比例等反映大脑宏观平稳状态的特征.

各子网络的输出特征向量：

v_k=Φ _k（x）∈ $R^{d_{k}}$ ,

其中, d_k表示第k个子网络输出特征向量的维度, k=1, 2, 3.

为了综合多视角信息, 在决策层之前引入特征拼接机制, 形成融合特征：

v=Concat（v₁, v₂, v₃）∈ $R^{d_{1} + d_{2} + d_{3}}$ . （3）

在得到融合特征v之后, 为了防止过拟合, 引入L₁正则化和L₂正则化.最终的损失函数：

$\begin{aligned} L(\Theta)= & -\sum_{i=1}^{N} y_{i} \ln \hat{y}_{i}+\lambda_{1} \sum_{w \in \Theta}|w|+ \\ & \lambda_{2} \sum_{w \in \Theta} w^{2}+\varepsilon, \end{aligned}$ （4）

其中, Θ 表示网络中所有可学习参数的集合, y_i表示样本真实类别标签, ${\hat{y}}_{i}$ 表示网络模型输出的对应真实类别标签的预测概率, w表示网络中的单个权重值, λ ₁表示L₁正则化系数, λ ₂表示L₂正则化系数, ε 表示误差项.

通过反向传播算法计算损失函数对权重的梯度, 并利用Nadam优化器更新参数：

W^t⁺¹=W^t-η $\frac{\partial L}{\partial W^{t}}$ .

其中, W^t表示第t次迭代时的权重矩阵, W^t⁺¹表示第t+1次迭代时的权重矩阵, η 表示学习率, $\frac{\partial L}{\partial W^{t}}$ 表示损失函数对当前权重的梯度.

最终输出层采用softmax函数计算输入样本x属于第j类的概率：

P（y=j|x）= $\frac{\exp （ {w^{T}}_{j} v_{final} + b_{j} ）}{\sum_{k = 1}^{K} \exp （ {w^{T}}_{k} v_{final} + b_{k} ）}$ ,

其中, v_final表示经过分类模块处理后的最终特征向量, w_j、b_j分别表示输出层第j个类别的权重向量和偏置向量, K表示总类别数.

在机器学习中, 误差可分解为偏差、方差和不可避免的噪声.集成学习的核心作用是降低误差的方差.由式（2）和式（3）可知, 3个子网络进行特征融合时是等权重的融合, 由式（4）得到的ε 可视为3个子网络的平均, 于是由定理1得到MENN能降低方差的依据.

定理1 设 $ε_{ik}^{s}$ （s=1, 2, …, m）表示第s个网络中第i个对象分到第k类标签的误差值, 0≤ $ε_{ik}^{s}$ ≤ 1,

${\bar{ε}}_{ik}$ = $\frac{1}{m} \sum_{s = 1}^{m} ε_{ik}^{s}$ ,

表示样本值, E（ $ε_{ik}^{s}$ ）表示期望, D（ $ε_{ik}^{s}$ ）表示方差.

1）若 $ε_{ik}^{s}$ 独立同分布, 记

$ \begin{array}{l} E\left(\varepsilon_{i k}^{s}\right)=\mu_{i k}, \\ D\left(\varepsilon_{i k}^{s}\right)=\sigma_{i k}^{2}, \end{array} $

则

D（ ${\bar{ε}}_{ik}$ ）= $\frac{σ_{ik}^{2}}{m}$ .

2）若 $ε_{ik}^{s}$ 不同分布, 则

D（ ${\bar{ε}}_{ik}$ ）≤ $\frac{\max （ σ_{ik}^{2} ）}{m}$ ,

若

max（ $σ_{ik}^{2}$ ）≤ ε ,

则

D（ ${\bar{ε}}_{ik}$ ）≤ $\frac{ε}{m}$ .

证明先证1）.

$ \begin{aligned} D\left(\bar{\varepsilon}_{i k}\right)=D\left(\frac{1}{m} \sum_{s=1}^{m} \varepsilon_{i k}^{s}\right) & = \\ \frac{1}{m^{2}} \sum_{s=1}^{m} D\left(\varepsilon_{i k}^{s}\right) & =\frac{1}{m^{2}} m \sigma_{i k}^{2}=\frac{\sigma_{i k}^{2}}{m} . \end{aligned} $

再证2）.

$D\left(\bar{\varepsilon}_{i k}\right)=D\left(\frac{1}{m} \sum_{s=1}^{m} \varepsilon_{i k}^{s}\right)=\frac{1}{m^{2}} \sum_{s=1}^{m} D\left(\varepsilon_{i k}^{s}\right), $

因为

D（ $ε_{ik}^{s}$ ）≤ max（D（ $ε_{ik}^{s}$ ））,

所以

D（ ${\bar{ε}}_{ik}$ ）≤ $\frac{\max （ D （ ε_{ik}^{s} ））}{m^{2}}$ = $\frac{1}{m}$ max（ $ε_{ik}^{s}$ ）,

进一步地, 当

max（ $ε_{ik}^{s}$ ）≤ ε ,

有

D（ ${\bar{ε}}_{ik}$ ）≤ $\frac{ε}{m}$ ,

即m个子网络集成之后得到的分类误差方差值更小.

2.3 时间复杂度分析

假设输入数据包含N个样本, 原始特征维度为D, 类别数为K.

首先, 执行FCCP, 特征离散化阶段, 对D维特征进行基于分位数的离散化处理的时间复杂度为O（DNlog₂N）.在置信度因果力求解阶段, 计算前向置信度与后向置信度, 并结合模糊熵确定各特征因果力的时间复杂度为O（DKNlog₂N）.

然后, 将筛选的d维特征输入MENN进行训练.设定网络可训练参数为P, 训练迭代次数为E, 则训练与推理的时间复杂度为O（ENP）.

综上, FCCP-MENN的整体时间复杂度为

O（DKNlog₂N+ENP）.

3 实验及结果分析

3.1 实验环境

本文选择在如下2个数据集上进行实验.

1）Bonn数据集.包含A~E这5个子集, 每个子集包含100段采样率为173.61 Hz、时长为23.6 s的单通道EEG信号.数据采用128通道系统采集（0.5~85 Hz带宽）, 经人工去伪影及0.53~40 Hz带通滤波预处理.A子集为健康志愿者头皮EEG（睁眼）, B子集为健康志愿者头皮EEG（闭眼）, C子集为癫痫患者间期颅内EEG（记录于病灶区）, D子集为癫痫患者间期颅内EEG（记录于对侧海马体）, E子集为癫痫发作期颅内EEG.

2）CHB-MIT临床长程数据集.包含23位儿科难治性癫痫患者的长期EEG记录, 总时长约为983 h, 标注198次癫痫发作事件.数据采样率为256 Hz, 采用国际10-20电极系统, 针对大多数病例采用23个通道收集数据.

在Bonn、CHB-MIT数据集上执行统一预处理.采用4阶巴特沃斯滤波器（Bonn：40 Hz低通; CHB-MIT：0.5~40 Hz带通）配合前向-反向零相位技术, 抑制噪声与畸变.各通道独立去除线性趋势以消除基线漂移.通过重叠滑动窗口分段扩充样本, Bonn数据集上设为10 s窗口及50%重叠率, CHB-MIT数据集上重采样至256 Hz并设为4 s窗口及75%重叠率.该策略在保留时频特性的同时, 确保输入数据的一致性.

为了确保结果可复现与评价公平, 采用分层交叉验证评估所有方法.特征选择及标准化参数均严格基于同一训练集处理, 采用相同配置：Adam（Adaptive Moment Estimation）优化器, 初始学习率设为0.001, 批大小设为32.训练过程持续200个迭代周期, 并应用L1正则化（1× 10^-5）和L2正则化（1× 10^-4）增强方法的泛化能力.针对失活层的丢弃率（Dropout Rate）, 选择在{0.2, 0.3, 0.4}中取值.

对于每个预处理后的单通道EEG分段, 在时域、频域及非线性域上各获取一组多维特征.

在时域方面, 计算均值、方差、标准差、偏度、峰度、均方根值、第25/75百分位数、四分位距和半四分位距, 用于刻画振幅分布的集中趋势和离散特性.进一步基于一阶差分序列与二阶差分序列获取均值、方差和标准差, 度量EEG振幅变化的速度特征与加速度特征.

在频域方面, 采用Welch估计功率谱密度, 计算总谱功率、平均频率和中位频率, 并基于归一化功率谱获得对数能量熵, 反映能量分布的集中程度和频谱复杂性.同时在δ （0.5~4 Hz）、θ （4~8 Hz）、α （8~13 Hz）、 β （13~30 Hz）、γ （30~45 Hz）频带上对各频带功率谱密度曲线进行积分, 从而获得频带绝对功率, 并构造α /β 和θ /β 等功率比值, 用于表征不同节律活动的相对强度.

此外, 获取Hjorth活动度、移动度和复杂度参数, 以及Katz分形维数、Higuchi分形维数、曲线长度、Teager能量算子输出、零交叉率和无杂散动态范围等非线性与几何特征, 其中Katz分形维数量化数据序列的复杂程度, 主要分析一维信号.Katz分形维数给出一个单一数值, 衡量信号的复杂性或自相似性.最终, 基于上述37个特征开展后续实验分析.

3.2 评价指标

本文采用如下6个关键指标评估方法性能：准确率（Accuracy, ACC）、敏感性（Sensitivity, SEN）、特异性（Specificity, SPE）、精确率（Precision, PRE）、F1分数、AUC（Area Under Curve）.各指标相应公式如下：

ACC= $\frac{TP + TN}{TP + TN + FP + FN}$ ,

SEN= $\frac{TP}{TP + FN}$ ,

SPE= $\frac{TN}{TN + FP}$ ,

PRE= $\frac{TP}{TP + FP}$ ,

F1= $\frac{2 TP}{2 TP + FN + FP}$ ,

其中, TP表示真正例、FP表示假正例、TN表示真反例, FN表示假反例.

3.3 对比实验

为了验证FCCP-MENN的先进性, 选取近年来具有代表性的EEG癫痫检测方法进行性能对比.具体方法如下：DLFE（Deterministic Learning Feature Extraction）^[28]、文献[29]方法、文献[30]方法、文献[31]方法、文献[32]方法、CSAE-GRU（Convolutional Sparse Autoencoder-Gated Recurrent Unit）^[33]、CNN-Bi-LSTM（Convolutional Neural Network-Bidirectional Long Short-Term Memory）^[34]、文献[35]方法、文献[36]方法、文献[37]方法、ADML（Adaptive Dual-Modality Learning Model）^[38]、TSI-MRFNet^[39]、文献[40]方法、文献[41]方法、SeizureSight^[42]、TCN-BiLSTM（End-to-End Temporal Convolutional Network and Bidirectional Long Short-Term Memory Model）^[43]、MCCT-Net（Multi-perspective Convolution and Cross-Connection Transformer Network）^[44]、TCN-SA（Tech-nique Employing a Temporal Convolutional Neural Network with Self-Attention）^[45]、ResCon-LSTM（Resi-dual Convolutional Long Short-Term Memory） Neural Network^[46].

各方法在Bonn数据集的不同任务上的准确率对比如表2所示, 表中黑体数字表示最优值.

表2 各方法在Bonn数据集上的准确率 Table 2 Accuracy of different methods on Bonn dataset %

由表2可见, 在三分类任务中, FCCP-MENN取得99.94%的最高准确率, 优于基于信号分解的文献[35]方法和文献[36]方法.在最具挑战性的五分类任务中, FCCP-MENN依然以99.81%的准确率超越同期采用ALIF分解与注意力增强的级联深层网络^[36]和采用群空间跳跃特征选择与双级上下文信息感知网络^[37]的方法.

针对更贴近临床场景的CHB-MIT数据集, 各方法的指标值对比如表3所示, 表中黑体数字表示最优值.

表3 各方法在CHB-MIT数据集上的指标值 Table 3 Metric values of different methods on CHB-MIT dataset %

由表3可见, FCCP-MENN在敏感度、精准率及F1分数上分别达到96.47%、97.32%和96.83%.虽然MCCT-Net在敏感度上表现略优（97.57%）, 但FCCP-MENN在保证较高敏感度的同时, 精准率显著优于TCN-SA（92.47%）及ResCon-LSTM（95.90%）.这表明FCCP-MENN在复杂临床场景中能更有效地抑制误报率, 在检测性能与临床实用性之间取得更好的平衡, 具有更强的泛化能力.

3.4 消融实验

为了验证FCCP-MENN中各部分的有效性, 在Bonn数据集的五分类任务上开展消融实验, 结果如表4所示, 表中黑体数字表示最优值, S1、S2、S3分别对应多流集成神经网络（MENN）中的3个关键子模块, S1表示深度全连接流网络, S2表示宽流网络, S3表示窄深流网络.由表可发现, 各模块在特征提取上具有互补性, 共同构成高性能的预测方法.

表4 各模块在Bonn数据集五分类任务上的消融实验结果 Table 4 Ablation experiment results of each module for five-class classification tasks on Bonn dataset %

相比全特征输入方法（E2）, 引入FCCP（E1）后准确率提升且标准差降低, 这表明基于置信度因果力的筛选能有效剔除冗余噪声, 增强方法的鲁棒性并规避过拟合.MENN的影响呈现“ 单支路< 双支路< 三支路” 的性能递增趋势, 由此验证3个集成神经网络在特征抽象层级上的互补性及对高精度检测的关键作用.

为了进一步验证FCCP-MENN的统计学优势, 在十折分层交叉验证的配对设置下, 对逐折性能差值采用配对Wilcoxon符号秩检验, 并同步报告基于配对样本的效应量（Paired-Samples Cohen's d）以衡量实际增益幅度.

为了评估方法性能的统计学差异, 选取如下多种经典算法作为基线方法.机器学习方法包括SVM（Support Vector Machine）、MLP（Multi-layer Per-ceptron）、CatBoost（Categorical Boosting）; 深度学习方法包括CNN（Convolutional Neural Network）、Self-Attention、RNN（Recurrent Neural Network）、GRU（Gated Recurrent Unit）、Bi-LSTM（Bidirectional Long Short-Term Memory）.

各方法的Wilcoxon p-value及Cohen's d（d_z）都由Wilcoxon符号秩检验计算所得, d_z表示Cohen's d效应量, 其中d_z≥ 0.8视为大效应水平.具体配对统计检验与效应量如表5所示.由表可见, FCCP-MENN相对于多数基线方法的差异具有统计显著性（p< 0.05）, 且对应d_z多处于大效应水平, 说明性能提升不仅显著且具有明确实践意义.

表5 FCCP-MENN与各经典方法的配对统计检验与效应量 Table 5 Paired statistical test and effect size of FCCP-MENN and classical methods

为了评估FCCP-MENN中FCCP的贡献, 在保持分类器结构与训练配置不变的前提下, 分别对其特征选择与融合策略进行消融实验, 选择如下5种基线方法：基于方差的特征筛选^[47]、ANO-VA（Ana-lysis of Variance）^[48]、Mutual Information^[49]、L1正则化逻辑回归^[50]、Recursive Feature Elimination with Random Forest（后文简记为RFE-RF）^[51].相应配对统计检验与效应量如表6所示.由表可见, 所有基线方法与FCCP均呈显著差异（p< 0.05）, 其中Mutual Information差异最显著, 由此表明FCCP在抑制冗余特征与保留高判别特征上的优越性.

表6 FCCP与各特征选择方法的配对统计检验与效应量 Table 6 Paired statistical test and effect size of different feature selection methods and FCCP

为了验证多流集成神经网络（MENN）中各分支协作及融合机制的有效性, 设计如下5种对比策略.单分支-深度流（Single-Branch-Deep）、单分支-宽度流（Single-Branch-Wide）与单分支-窄度流（Single-Branch-Narrow）分别表示仅保留MENN中的某一个子网络分支进行独立检测; 概率平均（ProbAvg）与软投票（Soft Voting）则表示采用传统的静态加权方式替换本文的特征拼接融合层.在固定网络分支结构、训练超参数、数据划分及特征选择的条件下, 仅替换融合策略, 开展消融实验, 并同样基于逐折指标序列计算配对Wilcoxon检验与Cohen's d, 结果如表7所示.由表可见, 本文采用的多流集成策略与各对比项之间均存在显著性差异（p< 0.05）, 且效应量d_z均处于较高水平.实验表明, 相比单分支结构及概率平均、软投票, 本文策略能更有效地集成异构流信息, 提升方法的分类性能与鲁棒性.

表7 不同融合策略的配对统计检验与效应量 Table 7 Paired statistical test and effect size of different fusion strategies

3.5 有效性分析

在Bonn数据集的二分类任务、三分类任务、五分类任务上进行实验, 评估FCCP-MENN的性能, 相应指标值如表8所示.由表可见, FCCP-MENN在二分类任务上表现优异, 表明方法能精准捕捉发作期信号的强因果特征.在面向临床关键“ 发作间期” 对比“ 发作期” 的二分类任务（CD vs E）中, 准确率高达99.95%.

表8 FCCP-MENN在Bonn数据集不同分类任务上的指标值 Table 8 Metric values of FCCP-MENN for different classification tasks on Bonn dataset %

在多分类任务中, FCCP-MENN表现出良好的泛化能力, 三分类任务与五分类任务上的准确率分别保持在99.94%和99.81%, 且三分类任务上的特异性达到99.97%.这表明FCCP-MENN在复杂场景中具有高度判别力.

各分类任务上的ACC曲线与式（4）中得到的损失曲线（Loss）如图3所示.由图可见, FCCP-MENN在训练初期迅速收敛, 训练曲线与测试曲线高度贴合, 未出现发散或过拟合现象, 说明其高效性.

	Figure Option View Download New Window
	图3 FCCP-MENN在各分类任务上的学习曲线Fig.3 Learning curves of FCCP-MENN on different classification tasks

针对CHB-MIT数据集的类别不平衡特性, 引入SMOTE（Synthetic Minority Oversampling Technique）优化训练分布, 并在18个典型病例上验证FCCP-MENN的有效性, 结果如表9所示.

表9 FCCP-MENN在CHB-MIT数据集上的指标值 Table 9 Metric values of FCCP-MENN on CHB-MIT dataset %

由表9可见, 在整体性能方面, 所有受试者的平均敏感度、精确率、F1值及AUC值分别达到96.47%、97.32%、96.83%、99.36%, 由此表明FCCP与SMOTE采样可有效增强决策边界的判别力, 使方法在极端不平衡条件下仍具备较高鲁棒性.此外, 方法还表现出高度的稳定性, 多数病例（如Chb02、Chb11等）的AUC值超过99.7%, 其中, Chb11病例的敏感度达到99.02%, AUC值达到99.97%.即便在表现略逊的Chb14病例上, AUC值仍维持在97.46%, 表明MENN通过融合深度全连接流网络、宽度流网络、窄深流网络特征, 有效缓解伪迹干扰导致的过拟合风险.

总之, 高水平的AUC值与F1值表明FCCP-MENN能有效平衡漏诊与误报率, 满足临床辅助诊断需求.

3.6 超参数分析

为了系统性评估FCCP的鲁棒性, 并探究参数配置对分类性能的边际影响, 对两个核心参数— — 规则置信度阈值λ 与偏离阈值程度σ 进行全面的网格搜索分析, 相应参数配置如表10所示.在表中, π 表示特定类别样本在当前训练集上的比例, 根据样本分布的稀疏程度, 划分为4个区间：π < 0.01表示极稀疏样本, 0.01≤ π < 0.05表示低比例样本, 0.05≤ π < 0.20表示中比例样本, π ≥ 0.20表示高比例样本.

表10 λ 、σ 参数配置表 Table 10 Parameter configuration of λ and σ

为了验证算法1中λ 与σ 对FCCP性能影响的统计显著性, 进行统计检验.

首先, Friedman检验结果如表11所示.由表可见, 在二分类任务、三分类任务及五分类任务上, 统计量χ ²均具有高显著性, 说明λ 与σ 对筛选的重要特征在统计意义上是显著的.

表11 各分类任务上Friedman检验结果 Table 11 Friedman test results on different classification tasks

然后, 通过Spearman相关性分析与Wilcoxon符号秩检验探究参数间的协同规律, 结果如表12所示.由表可见, 当λ 较高（如 λ ≥ 0.30）时, 预测准确率随着σ 的增加呈现显著正向提升.当λ 较低（如0.05）时, 特征处于饱和状态, 增加σ 的信息增益有限.

表12 不同参数配置的配对统计检验与相关系数 Table 12 Paired statistical tests and correlation coefficients of different parameter configurations

上述实验结果证实本文的设计理论：适度的σ 能有效保留被高阈值剔除的关键特征.Wilcoxon检验进一步表明, 高参数配置组具有显著性能差异, 验证其在复杂分类任务中的优越性.

为了进一步评估FCCP在不同任务复杂度下的泛化性与参数稳健性, 针对二分类任务、三分类任务及五分类任务分别开展参数灵敏度分析实验, 结果如图4~图6所示, （a）表示参数对ACC的影响, （b）表示经FCCP因果评估与参数阈值筛选后, 最终保留并输入分类器的有效特征数量.

	Figure Option View Download New Window
	图4 二分类任务上的参数分析Fig.4 Parameter analysis on binary classification task

	Figure Option View Download New Window
	图5 三分类任务上的参数分析Fig.5 Parameter analysis on three-class classification task

	Figure Option View Download New Window
	图6 五分类任务上的参数分析Fig.6 Parameter analysis on five-class classification task

通过系统性调节规则置信度阈值λ 与偏离阈值程度σ , 可量化特征选择的约束程度及其对分类性能的边际影响, 从而得到满足临床诊断实时性需求的最优参数组合.实验显示, 特征选择数量对λ 的变化具有较高的敏感性.随着λ 从0.05逐渐增至1.5, 各任务保留的特征数量均呈现显著下降趋势.例如：在二分类任务（图4）中, 特征数从37个减少至最低6个, 由此验证λ 在控制特征空间稀疏性方面的主导作用.同时, 当λ 较大导致特征过度压缩时, 适度增大σ 能有效补偿因阈值过高而遗漏的特征, 从而提升分类准确率.例如：在五分类任务（图6）中, 当λ =1.5时, 通过增大σ , 分类准确率从81.9%稳步回升至93.7%.

实验表明, FCCP在不同复杂度的任务中均表现出良好的参数稳健性.综合考虑特征压缩率与分类精度, 当λ 取值在[0.15, 0.5]内且σ 取值在[0.01, 0.05]内时, 方法在大幅降低特征数量的同时维持较高的识别准确率, 满足临床辅助诊断的轻量化与高精度要求.

4 结束语

本文针对癫痫脑电（EEG）在临床场景中的泛化困难问题, 提出基于模糊置信度因果力和多流集成神经网络的脑电信号分类方法（FCCP-MENN）.在Bonn、CHBMIT数据集上进行广泛的交叉验证, 说明FCCP-MENN的有效性和鲁棒性, 不仅在理论上通过因果筛选增强可解释性与表达能力, 更在跨域的实证研究中展示较优的稳定性与临床转化潜力, 为构建高精度、低误报率的癫痫自动辅助诊断系统提供新的技术范式.未来研究将进一步探索FCCP在多模态生理信号融合中的应用, 并尝试将MENN模型轻量化, 适配嵌入式临床监测系统.同时, 考虑引入跨个体迁移学习策略, 旨在消除不同患者脑电信号的个体差异影响, 提升FCCP-MENN在临床无监督场景中的泛化表现, 从而为癫痫的精准医疗提供更具鲁棒性的技术支持.

本文责任编委梁吉业

Recommended by Associate Editor LIANG Jiye

参考文献

文献选项

[1]	TRINKA E, COCK H, HESDORFFER D, et al. A Definition and Classification of Status Epilepticus-Report of the ILAE Task Force on Classification of Status Epilepticus. Epilepsia, 2015, 56(10): 1515-1523. [本文引用:1]
[2]	FEI K L, WANG W, YANG Q L, et al. Chaos Feature Study in Fractional Fourier Domain for Preictal Prediction of Epileptic Seizure. Neurocomputing, 2017, 249(C): 290-298. [本文引用:1]
[3]	WANG C S, YI H, WANG W, et al. Lesion Localization Algorithm of High-Frequency Epileptic Signal Based on Teager Energy Operator. Biomedical Signal Processing and Control, 2019, 47: 262-275. [本文引用:1]
[4]	ZHANG J C, ZHENG S J, CHEN W N, et al. A Scheme Combining Feature Fusion and Hybrid Deep Learning Models for Epileptic Seizure Detection and Prediction. Scientific Reports, 2024, 14(1). DOI: DOI:10.1038/s41598-024-67855-4. [本文引用:1]
[5]	HARPALE V, BAIRAGI V. An Adaptive Method for Feature Selection and Extraction for Classification of Epileptic EEG Signal in Significant States. Journal of King Saud University-Computer and Information Sciences, 2021, 33(6): 668-676. [本文引用:1]
[6]	KAYA D. The mRMR-CNN Based Influential Support Decision System Approach to Classify EEG Signals. Measurement, 2020, 156. DOI: DOI:10.1016/j.measurement.2020.107602. [本文引用:1]
[7]	KHOSLA A, KHANDNOR P, CHAND T. EEG-Based Automatic Multi-class Classification of Epileptic Seizure Types Using Recurrence Plots. Expert Systems, 2022, 39(5). DOI: DOI:10.1111/exsy.12923. [本文引用:1]
[8]	OMIDVAR M, ZAHEDI A, BAKHSHI H. EEG Signal Processing for Epilepsy Seizure Detection Using 5-Level DB4 Discrete Wavelet Transform, GA-Based Feature Selection and ANN/SVM Classifiers. Journal of Ambient Intelligence and Humanized Computing, 2021, 12(11): 10395-10403. [本文引用:1]
[9]	HUSSEIN R, WANG Z J, WARD R. L l-Regularization Based EEG Feature Learning for Detecting Epileptic Seizure // Proc of the IEEE Global Conference on Signal and Information Processing. Washington, USA: IEEE, 2016: 1171-1175. [本文引用:1]
[10]	PENG G C, NOURANI M, HARVEY J, et al. Personalized EEG Feature Selection for Low-Complexity Seizure Monitoring. International Journal of Neural Systems, 2021, 31(8). DOI: DOI:10.1142/S0129065721500180. [本文引用:1]
[11]	RIVERA M J, SANCHIS J, CORCHO O, et al. Evaluating CNN Methods for Epileptic Seizure Type Classification Using EEG Data. IEEE Access, 2024, 12: 75483-75495. [本文引用:1]
[12]	OMAR A, ABD EL-HAFEEZ T. Optimizing Epileptic Seizure Re-cognition Performance with Feature Scaling and Dropout Layers. Neural Computing and Applications, 2024, 36(6): 2835-2852. [本文引用:1]
[13]	PEARL J. Causality. Cambridge, UK: Cambridge University Press, 2009. [本文引用:1]
[14]	HOEL E P, ALBANTAKIS L, TONONI G. Quantifying Causal Emer-gence Shows That Macro Can Beat Micro. PNAS, 2013, 110(49): 19790-19795. [本文引用:1]
[15]	VARLEY T F, HOEL E. Emergence as the Conversion of Information: A Unifying Theory. Philosophical Transactions of the Royal Society A, 2022, 380. DOI: DOI:10.1098/rsta.2021.0150. [本文引用:1]
[16]	ZHANG T, SHAN H R, LITTLE M A. Causal GraphSAGE: A Robust Graph Method for Classification Based on Causal Sampling. Pattern Recognition, 2022, 128. DOI: DOI:10.1016/j.patcog.2022.108696. [本文引用:1]
[17]	SUI Y D, WANG X, WU J C, et al. Causal Attention for Interpretable and Generalizable Graph Classification // Proc of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mi-ning. New York, USA: ACM, 2022: 1696-1705. [本文引用:1]
[18]	FAN M, LI H. Graph Classification Method Based on Fuzzy Entropy Causality in a Network Formal Context. IEEE Transactions on Fuzzy Systems, 2024, 32(9): 5018-5032. [本文引用:2]
[19]	YUE X D, ZHOU J, YAO Y Y, et al. Shadowed Neighborhoods Based on Fuzzy Rough Transformation for Three-Way Classification. IEEE Transactions on Fuzzy Systems, 2020, 28(5): 978-991. [本文引用:1]
[20]	ZHANG Y, YAO J T. Game Theoretic Approach to Shadowed Sets: A Three-Way Tradeoff Perspective. Information Sciences, 2020, 507: 540-552. [本文引用:1]
[21]	WANG Z H, CHEN H M, YUAN Z, et al. Multi-scale Fuzzy Entropy-Based Feature Selection. IEEE Transactions on Fuzzy Systems, 2023, 31(9): 3248-3262. [本文引用:1]
[22]	WILLE R. Restructuring Lattice Theory: An Approach Based on Hierarchies of Concepts // Proc of the 7th International Conference on Formal Concept Analysis. Berlin, Germany: Springer, 2009: 314-339. [本文引用:3]
[23]	AHMED M I B, ZAGHDOUD R A, AL-ABDULQADER M, et al. Ensemble Machine Learning Based Identification of Adult Epilepsy. Mathematical Modelling of Engineering Problems, 2023, 10(1): 84-92. [本文引用:1]
[24]	KAPOOR B, NAGPAL B, JAIN P K, et al. Epileptic Seizure Prediction Based on Hybrid Seek Optimization Tuned Ensemble Classifier Using EEG Signals. Sensors, 2022, 23(1). DOI: DOI:10.3390/s23010423. [本文引用:1]
[25]	SUNARYONO D, SARNO R, SISWANTORO J, et al. Hybrid One-Dimensional CNN and DNN Model for Classification Epileptic Seizure. International Journal of Intelligent Engineering and Systems, 2022, 15(6): 492-502. [本文引用:1]
[26]	RENNER R, WOLF S. Smooth Rényi Entropy and Applications // Proc of the International Symposium on Information Theory. Wa-shington, USA: IEEE, 2004: 232. [本文引用:1]
[27]	LAKSHMINARAYANAN B, PRITZEL A, BLUNDELL C. Simple and Scalable Predictive Uncertainty Estimation Using Deep Ensembles // Proc of the 31st International Conference on Neural Information Processing Systems. Cambridge, USA: MIT Press, 2017: 6405-6416. [本文引用:1]
[28]	ZHANG Z R, WU W M, SUN C, et al. Seizure Detection via Deterministic Learning Feature Extraction. Pattern Recognition, 2024, 153. DOI: DOI:10.1016/j.patcog.2024.110466. [本文引用:1]
[29]	SHI C L, GAO J, YU J, et al. A Novel Similarity-Constrained Feature Selection Method for Epilepsy Detection via EEG Signals. Journal of King Saud University Computer and Information Sciences, 2025, 37(6). DOI: DOI:10.1007/s44443-025-00152-w. [本文引用:1]
[30]	LIU S, WANG J, LI S S, et al. Epileptic Seizure Detection and Prediction in EEGs Using Power Spectra Density Parameterization. IEEE Transactions on Neural Systems and Rehabilitation Enginee-ring, 2023, 31: 3884-3894. [本文引用:1]
[31]	AHMAD I, YAO C, LI L, et al. An Efficient Feature Selection and Explainable Classification Method for EEG-Based Epileptic Seizure Detection. Journal of Information Security and Applications, 2024, 80. DOI: DOI:10.1016/j.jisa.2023.103654. [本文引用:1]
[32]	ABUALHASSAN Z, AHMAD I, ABED S, et al. Epileptic Seizure Detection by Learning EEG as Images Using Vision Transformers. Journal of Engineering Research, 2026, 14(1): 936-952. [本文引用:1]
[33]	XIANG F, LIU M Y, CHEN W N, et al. A Deep Hybrid CSAE-GRU Framework with Two-Stage Balancing for Automatic Epileptic Seizure Detection Using EEG-Derived Features. Frontiers in Neuroscience, 2025, 19. DOI: DOI:10.3389/fnins.2025.1698960. [本文引用:1]
[34]	CAO X S, ZHENG S J, ZHANG J C, et al. A Hybrid CNN-Bi-LSTM Model with Feature Fusion for Accurate Epilepsy Seizure Detection. BMC Medical Informatics and Decision Making, 2025, 25(1). DOI: DOI:10.1186/s12911-024-02845-0. [本文引用:1]
[35]	ZHAO W, WANG W F, PATNAIK L M, et al. Residual and Bidirectional LSTM for Epileptic Seizure Detection. Frontiers in Computational Neuroscience, 2024, 18. DOI: DOI:10.3389/fncom.2024.1415967. [本文引用:2]
[36]	ZENG W, ZHANG M L, SHAN L M, et al. Interpretable Classification of Epileptic EEG Signals Using ALIF Decomposition and Attention-Augmented Cascaded Deep Neural Networks. Applied Soft Computing, 2025. DOI: DOI:10.1016/j.asoc.2025.113211. [本文引用:3]
[37]	TANDRA N, AKHTAR N, PADMANABAN K, et al. A Finite-Element Dual-Level Contextual Informed Neural Network with Swarm Space Hopping Algorithm Based Optimal Feature Selection and Detection for EEG-Based Epileptic Seizure Detection. Swarm and Evo-lutionary Computation, 2025, 97. DOI: DOI:10.1016/j.swevo.2025.102072. [本文引用:2]
[38]	QIN J H, LIU Z J, ZHUANG J H, et al. Dual-Modality Transformer with Time Series Imaging for Robust Epileptic Seizure Prediction. Applied Sciences, 2025, 15(3). DOI: DOI:10.3390/app15031538. [本文引用:1]
[39]	ZHAO Y L, KANG Y F, LI W J, et al. Multimodal Feature Re-presentation and Enhancement EEG Signal Processing for Epilepsy Detection. Measurement, 2026, 260. DOI: DOI:10.1016/j.measurement.2025.119877. [本文引用:1]
[40]	LI R X, ZHAO G X, MUIR D R, et al. Real-Time Sub-Milliwatt Epilepsy Detection Implemented on a Spiking Neural Network Edge Inference Processor. Computers in Biology and Medicine, 2024, 183. DOI: DOI:10.1016/j.compbiomed.2024.109225. [本文引用:1]
[41]	ABDULWAHHAB A H, ABDULAAL A H, AL-GHRAIRI A H T, et al. Detection of Epileptic Seizure Using EEG Signals Analysis Based on Deep Learning Techniques. Chaos, Solitons & Fractals, 2024, 181. DOI: DOI:10.1016/j.chaos.2024.114700. [本文引用:1]
[42]	PATEL J. SeizureSight: 2D CNN-LSTM Hybrid for EEG-Based Seizure Prediction // Proc of the 3rd International Conference on Applied Artificial Intelligence and Computing. Washington, USA: IEEE, 2024: 252-256. [本文引用:1]
[43]	DONG X C, WEN Y M, JI D Z, et al. Epileptic Seizure Detection with an End-to-End Temporal Convolutional Network and Bidirectional Long Short-Term Memory Model. International Journal of Neural Systems, 2024, 34(3). DOI: DOI:10.1142/S0129065724500126. [本文引用:1]
[44]	SUN G Z, ZHANG J B, MA Y J, et al. MCCT-Net: A Multi-perspective Convolution and Cross-Connection Transformer Network for Epilepsy Detection. Neurocomputing, 2026. DOI: DOI:10.1016/j.neucom.2025.132043. [本文引用:1]
[45]	HUANG L, ZHOU K Y, CHEN S Y, et al. Automatic Detection of Epilepsy from EEGs Using a Temporal Convolutional Network with a Self-Attention Layer. Biomedical Engineering Online, 2024, 23(1). DOI: DOI:10.1186/s12938-024-01244-w. [本文引用:1]
[46]	SONG Y B, FAN C L, MAO X Q. Optimization of Epilepsy Detection Method Based on Dynamic EEG Channel Screening. Neural Networks, 2024, 172. DOI: DOI:10.1016/j.neunet.2024.106119. [本文引用:1]
[47]	GUYON I, ELISSEEFF A. An Introduction to Variable and Feature Selection. Journal of Machine Learning Research, 2003, 3: 1157-1182. [本文引用:1]
[48]	LI J D, CHENG K W, WANG S H, et al. Feature Selection: A Data Perspective. ACM Computing Surveys, 2017, 50(6). DOI: DOI:10.1145/31366. [本文引用:1]
[49]	PENG H C, LONG F H, DING C. Feature Selection Based on Mutual Information Criteria of Max-Dependency, Max-Relevance, and Min-Redundancy. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27(8): 1226-1238. [本文引用:1]
[50]	LEE S I, LEE H, ABBEEL P, et al. Efficient L1 Regularized Logistic Regression // Proc of the 21st National Conference on Artificial Intelligence. Palo Alto, USA: AAAI Press, 2006, I: 401-408. [本文引用:1]
[51]	DEMARCHI L, KANIA A, CIEZKOWSKI W, et al. Recursive Feature Elimination and Rand om Forest Classification of Natura 2000 Grassland s in Lowland River Valleys of Poland Based on Airborne Hyperspectral and LiDAR Data Fusion. Remote Sensing, 2020, 12(11). DOI: DOI:10.3390/rs12111842. [本文引用:1]

2015

0.0

... 脑电图（Electroencephalogram, EEG）现已广泛应用于癫痫及认知、睡眠障碍等疾病的临床诊断^[1] ...

2017

0.0

... Fei等^[2]提出FrFTL（Large Lyapunov Exponent Feature of Fractional Fourier Transform Series）,采用分数傅里叶变换、自适应最大李雅普诺夫指数及其能量,同时捕捉癫痫EEG信号的混沌性与频率域特征 ...

2019

0.0

... Wang等^[3]利用Teager能量熵、曲线长度及Tea-ger-Huang变换进行特征提取,性能优于传统能量熵方法 ...

2024

0.0

... Zhang等^[4]结合离散小波变换（Wavelet Trans-form, DWT）、功率谱密度（Power Spectral Density, PSD）、标准差、频带能量与模糊熵（Fuzzy Entropy, FuzzyEn）进行特征提取,尽管能有效整合多样化的特征信息,但也引入冗余并增加计算复杂性 ...

2021

0.0

... 过滤式方法基于统计或信息论准则独立评估特征重要性,如方差分析^[5]、最大相关最小冗余^[6]等,虽计算高效、通用性强,但忽略特征间关联及任务特异性,可能遗漏关键特征组合 ...

2020

0.0

2022

0.0

... 包装式方法（如递归特征消除^[7]、遗传算法^[8]）将特征选择与分类器性能绑定,能捕捉复杂特征关系,但计算成本较高、泛化能力较弱,过度依赖训练数据 ...

2021

0.0

2016

0.0

... 嵌入式方法（如结合L1正则化^[9]、LASSO（Least Absolute Shrinkage and Selection Operator）^[10]）将特征选择融入模型训练,虽然兼顾效率与适配性,却只能绑定特定模型,通用性受限 ...

2021

0.0

2024

0.0

... 此外,近年来兴起的深度学习及混合特征选择方法虽具备自动特征学习能力,但依赖大规模标注数据,训练复杂、可解释性较差,难以满足临床需求^[11,12] ...

2024

0.0

2009

0.0

... Pearl^[13]通过计算因果图中的条件分布,提出#cod#x0201c ...

2013

0.0

... Hoel等^[14]利用EI（Effective Infor-mation）定量论证宏观系统在因果效力上优于其微观底层 ...

2022

0.0

... Varley等^[15]进一步从信息转换的视角探讨跨尺度因果效应的产生机制 ...

2022

0.0

... Zhang等^[16]提出C-GraphSAGE（Causal GraphSAGE）、Sui等^[17]提出CAL（Causal Attention Learning） Strategy,都会捕捉特征间的因果关联,可显著增强节点的特征表示能力 ...

2022

0.0

2024

0.0

... Fan等^[18]基于模糊熵和因果力,提出FECCM（Fuzzy Entropy Causality Classification Method） ...

... 定义3^[18] 对于规则 ...

2020

0.0

... Yue等^[19]提出3WC-SNB（Three-Way Classification Algo-rithm with Shadowed Neighborhoods）,采用模糊关系建模图像与其标签间的映射 ...

2020

0.0

... 在此基础上,Zhang等^[20]提出GTSS（Game-Theoretic Shadowed Sets）,引入博弈论视角,优化三支决策边界的权衡 ...

2023

0.0

... Wang等^[21]提出MFEFS（Multiscale Fuzzy Entropy-Based Feature Selection）,进一步利用多尺度模糊熵,增强特征选择过程中对不确定性的量化能力,实现分类性能的提升 ...

2009

0.0

... Wille^[22]于1982年首次提出形式概念分析（Formal Concept Analysis, FCA）,现广泛应用于数据分析、特征约简、网络科学等多个领域 ...

... 1 基本概念定义1^[22] 设三元组（U,A,I）为形式背景,其中, ...

... 定义2^[22] 设（U,A,I）为形式背景,若X⊆U,B⊆A,（X,B）满足X^{#cod#x0002A ...}

2023

0.0

... Ahmed等^[23]提出基于机器学习的集成技术 ...

2022

0.0

... Kapoor等^[24]提出结合优化驱动的集成分类器,包括AdaBoost、随机森林（Random Forest, RF）和决策树（Decision Tree, DT）分类器 ...

2022

0.0

... Sunaryono等^[25]提出结合1D-CNN（One-Dimension Convolution Neural Network）、Majority Vo-ting及深度神经网络（Deep Neural Network, DNN）的混合模型 ...

2004

0.0

... 定义6^[26] 设p₁、p₂是由前向置信度#cod#x003bc ...

2017

0.0

... 2 多流集成神经网络集成不同宽深结构的神经网络可有效捕获复杂数据模式^[27] ...

2024

0.0

... 具体方法如下：DLFE（Deterministic Learning Feature Extraction）^[28]、文献[29]方法、文献[30]方法、文献[31]方法、文献[32]方法、CSAE-GRU（Convolutional Sparse Autoencoder-Gated Recurrent Unit）^[33]、CNN-Bi-LSTM（Convolutional Neural Network-Bidirectional Long Short-Term Memory）^[34]、文献[35]方法、文献[36]方法、文献[37]方法、ADML（Adaptive Dual-Modality Learning Model）^[38]、TSI-MRFNet^[39]、文献[40]方法、文献[41]方法、SeizureSight^[42]、TCN-BiLSTM（End-to-End Temporal Convolutional Network and Bidirectional Long Short-Term Memory Model）^[43]、MCCT-Net（Multi-perspective Convolution and Cross-Connection Transformer Network）^[44]、TCN-SA（Tech-nique Employing a Temporal Convolutional Neural Network with Self-Attention）^[45]、ResCon-LSTM（Resi-dual Convolutional Long Short-Term Memory） Neural Network^[46] ...

2025

0.0

2023

0.0

2024

0.0

2026

0.0

2025

0.0

2025

0.0

2024

0.0

... 94%的最高准确率,优于基于信号分解的文献[35]方法和文献[36]方法 ...

2025

0.0

... 94%的最高准确率,优于基于信号分解的文献[35]方法和文献[36]方法 ...

... 81%的准确率超越同期采用ALIF分解与注意力增强的级联深层网络^[36]和采用群空间跳跃特征选择与双级上下文信息感知网络^[37]的方法 ...

2025

0.0

... 81%的准确率超越同期采用ALIF分解与注意力增强的级联深层网络^[36]和采用群空间跳跃特征选择与双级上下文信息感知网络^[37]的方法 ...

2025

0.0

2026

0.0

2024

0.0

2024

0.0

2024

0.0

2024

0.0

2026

0.0

2024

0.0

2024

0.0

2003

0.0

... 为了评估FCCP-MENN中FCCP的贡献,在保持分类器结构与训练配置不变的前提下,分别对其特征选择与融合策略进行消融实验,选择如下5种基线方法：基于方差的特征筛选^[47]、ANO-VA（Ana-lysis of Variance）^[48]、Mutual Information^[49]、L1正则化逻辑回归^[50]、Recursive Feature Elimination with Random Forest（后文简记为RFE-RF）^[51] ...

2017

0.0

2005

0.0

2020

0.0