优化EEG图结构用于癫痫检测：信息瓶颈与自监督学习方法
机器学习
2026-04-03 v1
摘要
从脑电信号（EEG）中检测癫痫极具挑战性，原因在于复杂的时空动力学和极端的患者间差异。为了对癫痫进行建模，近年来的方法通过统计相关性、预定义的相似性度量或隐式学习构建动态图，但很少考虑 EEG 的噪声特性。因此，这些图通常包含冗余或与任务无关的连接，即使采用最先进的架构也会损害模型性能。在本文中，我们为 EEG 癫痫检测提供了一种新视角：在信息瓶颈（Information Bottleneck, IB）指导下联合学习去噪的动态图结构和信息性的时空表示。与先前方法不同，我们的图构建器明确考虑了 EEG 数据的噪声特性，产生紧凑且可靠的连接模式，从而更好地支持下游癫痫检测。为进一步增强表示学习，我们采用了一种自监督的图掩码自编码器（Graph Masked AutoEncoder），基于动态图上下文重建被掩码的 EEG 信号，促进与 IB 原则对齐的结构感知和紧凑表示。将这些整合在一起，我们提出了信息瓶颈引导的 EEG 癫痫检测自监督学习（IRENE），它明确学习动态图结构和可解释的时空 EEG 表示。IRENE 解决了三个核心挑战：（i）识别最具信息量的节点和边；（ii）解释癫痫在大脑网络中的传播；以及（iii）增强对标签稀缺和患者间差异的鲁棒性。在基准 EEG 数据集上的广泛实验表明，我们的方法在癫痫检测方面优于最先进的基线，并提供了对癫痫动力学的临床上有意义的见解。源代码可在 https://github.com/LabRAI/IRENE 获取。
引用
@article{arxiv.2604.01595,
title = {Optimizing EEG Graph Structure for Seizure Detection: An Information Bottleneck and Self-Supervised Learning Approach},
author = {Lincan Li and Rikuto Kotoge and Xihao Piao and Zheng Chen and Yushun Dong},
journal= {arXiv preprint arXiv:2604.01595},
year = {2026}
}
备注
Accepted by IEEE 14th International Conference on Healthcare Informatics (ICHI)