癫痫发作可引起抽搐、痉挛和意识丧失等症状，严重干扰患者的日常生活^[1-2]. 开发高效的癫痫发作预测系统对推进预防和治疗策略具有重要意义，有望显著改善难治性癫痫患者的生活质量. 脑电图（EEG）作为监测大脑活动广泛应用且可靠的诊断工具，通过植入脑内的电极或放置在头皮上的非侵入式电极来记录电压波动^[3-4]. 根据脑电压波动的特征模式，EEG信号可划分为4个不同的时期：发作间期、发作前期、发作期和发作后期. 癫痫预测用于区分发作前期和发作间期. 构建准确、及时的癫痫预测系统，对临床应用意义重大.

深度学习方法在脑电信号处理任务中取得巨大成功. Xiang等^[5]提出基于同步性的图时空注意力网络（synchronization-based graph spatio-temporal attention network，SGSTAN），通过相位锁定值构建脑电通道功能连接图，并利用图注意力网络与Transformer分别提取空间拓扑特征与时间依赖关系. SGSTAN在CHB-MIT数据集上实现了高精度、低误报的癫痫发作预测，显著改善了难分病例的分类性能. Li等^[6]提出基于模型不确定性学习的癫痫预测方法RepNet-MMCD，通过结构重参数化的轻量CNN（reparameterized convolutional neural network，RepNet）提取多尺度EEG特征，并引入改进的蒙特卡洛丢弃策略（modified EEG-based MC dropout strategy，MMCD），利用连续EEG片段间的时间信息进行概率校准，在降低模型不确定性的同时显著提升预测可靠性. Gao等^[7]提出基于多尺度扩张卷积的儿科癫痫发作预测网络，设计时序与空间双阶段多尺度卷积模块，分别提取脑电信号的局部与全局特征，并利用扩张卷积块与注意力加权融合机制增强模型感受野与特征表达能力. 张培玲等^[8]提出基于多尺度自适应残差网络（multi-scale adaptive residual network，MSAR）的癫痫检测方法，使用经验模态分解（empirical mode decomposition，EMD）分解EEG，并结合MSAR进行特征提取和分类. 张喜珍等^[9]提出基于2D-CNN和Cox-Stuart早停机制的癫痫预测模型，使用Cox-Stuart检验法判断验证集损失函数是否存在上升趋势，从而及时停止训练，降低计算复杂度和时间复杂度. 现有的癫痫预测方法侧重于通过基于时域^[10]、频域^[11]和时频域^[12]方法提取特征，对从大脑连接模式中提取的复杂网络统计特征^[13]的探索相对有限；现有模型难以兼顾低误报率和高灵敏度，且对脑电时空复杂性挖掘不足. 采用特征提取方法表示不同通道的脑电信号，往往聚焦于单个通道的局部特征，忽略了各个脑区间的协同作用. 为了解决这个问题，图神经网络被应用于脑电分析. Liu等^[14]利用图卷积网络和双向长短期记忆网络提取时空特征，并结合广义学习系统（broad learning system，BLS）进行分类. Chen等^[15]提出癫痫脑电图卷积网络，充分利用通道间相关性. 这些基于图卷积网络的方法在处理通道间关系时，对不同通道往往赋予固定的权重，难以根据脑电信号的具体特征动态地突出更具关键信息的通道. 图注意力网络通过计算通道之间的注意力权重，让模型能够自主地聚焦于对当前任务更重要的通道.

本研究提出融合多域特征与图注意力网络（GATv2）的深度学习框架. 1)从原始脑电信号中并行提取时域、频域与复杂网络域的特征. 复杂网络特征通过本研究采用的加权邻域图算法构建功能连接图并计算其统计特性获得，以刻画大脑活动的非线性动力学模式. 2）设计三元注意力机制，对异构的多域特征进行自适应加权与深度融合，构建增强的节点特征表示. 基于电极的物理空间位置建立邻接矩阵，以编码大脑通道间的结构拓扑关系. 3）将融合后的节点特征与邻接矩阵共同输入GATv2中，由动态注意力机制进一步挖掘通道间高阶的空间功能依赖关系，完成发作前期的精准分类预测.

如图1所示为本研究提出的癫痫发作预测方法整体工作流程：从脑电信号中提取时域、频域和复杂网络域的多维特征，基于通道间的空间距离构建邻接矩阵；所有提取的特征通过三元注意力机制进行深层融合，再与邻接矩阵进行融合后输入GATv2中进行有效解码.

原始脑电信号直接输入模型会导致计算量过大，且无法有效表征脑电信号的本质特性，为此从原始脑电信号中提取精简且具有判别力的、代表性的特征用于癫痫预测任务.

在时间域上，为了降低信号的维数并保留重要信息，共提取16个统计特征来表示序列数据，实现数据的降维；这16个特征也将作为部分节点特征，并用这些特征构成的向量来表示脑电信号段，实现脑电信号的降维. 如表1所示，设脑电片段由序列$ x=\left\{{x}_{1},{x}_{2},\cdots, {x}_{i},\cdots {x}_{n}\right\} $表示，其中$ {x}_{i} $为第$ i $个样本的幅值，$ n $为该片段的采样点总数. 表1中，分形维数采用盒维数的计算方法，$ N\left(\epsilon \right) $为覆盖集合所需的最小盒数量，$ \epsilon $为盒子的边长；样本熵衡量时间序列的复杂度、规律性与不可预测性，$ m $为嵌入维度，$ r $为相似容忍度，$ N $为序列长度，$ {B}^{m}\left(r\right) $为所有$ m $点维度中彼此相似的比例，$ {B}^{m+1}\left(r\right) $为所有$ m+1 $点维度中彼此相似的比例；排列熵衡量时间序列复杂度，对嵌入维度$ k $而言，$ k=m! $，$ {P}_{j} $为第$ j $个模式出现的概率；模糊熵中的$ m $为嵌入维度，$ r $为模糊函数的宽度参数，$ B(m,r) $为所有$ m $维向量之间的平均模糊相似度，$ A(m,r) $为所有$ (m+1) $维向量之间的平均模糊相似度. 对于每个脑电信号片段，形成$ （C,16） $矩阵，其中$ C $为患者采用的通道个数，16代表提取到的16个时域特征.

在频域分析中，对脑电信号进行快速傅里叶变换（FFT），可获取包含不同频率成分的正弦波的幅度和相位信息，进而提取各频率分量的功率谱特征. 研究表明，癫痫发作期的脑电信号的功率或能量相比发作前期显著增大，因此功率谱信息可作为区分不同脑电信号状态的有效特征，对于频率$ f=256 $ Hz的时域信号，进行功率谱估计后得到维度为（$ C $,129）. 本研究采用Welch方法进行经典的功率谱密度估计.

复杂系统通过复杂网络形式表示，复杂系统内部单元、个体之间的相互作用可以用网络形式刻画. 对脑电信号做复杂网络分析，能捕捉不同时间点的脑网络的结构变化，揭示发作前的网络动态，有助于更准确地预测癫痫发作. 本研究在提取脑电信号时域和频域特征的基础上，提取复杂网络的统计特征，以此全面分析癫痫发作前的非线性动力学统计特性. 在把脑电信号构造为复杂网络的基础上，本研究提出基于复杂网络统计特性的脑电信号特征提取方法.

使用加权邻域图^[16]（weighted neighborhood field graph，WNFG）法把脑电信号构造为复杂网络. 脑电信号经过FFT得到它的频域表示：

(1)$ \begin{array}{c}{z}_{m}=\displaystyle\sum\limits_{i=1}^{n}{x}_{i}{\exp}\left({-\mathrm{j}\dfrac{2{\text{π}} }{n}im}\right);\;\; m=1{,}2,\cdots ,n.\end{array} $

式中：$ {z}_{m} $为$ x $的第$ i $个元素的频域表示. 脑电信号的采样率为256 Hz，对其进行傅里叶变换后，得到129个频率点表示（f=0~128 Hz）的数据. 在WNFG法中，对经过傅里叶变换后的2个频域数据点$ i $和$ j\left(i< j\right) $，若频率点处的幅度值$ {z}_{i}> {z}_{j} $，且频率轴上的频率$ i $的和频率$ j $之间的距离范围小于$ K $（$ K $为邻域系数），则加权的有向边定义不同点之间的连接规则表示为

(2)$ {z}_{i} \gt {z}_{j},\;\;\left| i-j\right| \lt K. $

设置$ K\ll n $，图结构的时间复杂度为$ O\left(Kn\right) $. 随着K增大，加权邻域图的计算量增大. 特别地，当$ K $=1时，每个信号段的图结构都是链式结构. 当$ K $较小时，深度学习模型难以收敛，导致模型不收敛. 在现有研究中，$ K $的范围被设置在[20, 25]，这样能够简化和平衡图的结构，提高分类精度的稳定性. 本研究设置$ K $=20，以此降低计算量. 边的权值计算式为

(3)$ \begin{array}{c}{\alpha }_{i,j}=\dfrac{{z}_{i}-{z}_{j}}{i-j}.\end{array} $

节点之间建立连接并计算所有$ {\alpha }_{i,j} $. FFT后的频率点有129个，因此构造的复杂网络节点也有129个. 基于WNFG的脑电信号复杂网络构造流程如图2所示.

在构造的加权邻域图的基础上，提取复杂网络的度中心性、介数中心性、特征向量中心性节点和Katz中心性这4种统计特性，作为脑电信号的非线性动力学特征.1）度中心性是在网络分析中刻画节点中心性的最直接度量指标. 一个节点的节点度越大，意味着该节点的度中心性越高，该节点在网络中就越重要. 某个节点度中心性计算式为

(4)$ \begin{array}{c}{{\mathrm{DC}}}_{i}=\dfrac{{k}_{i}}{N-1}.\end{array} $

式中：$ {k}_{i} $为与节点$ i $相连的边的总数量，$ N-1 $为最多的与节点$ i $相连的边数. 2）节点介数是指网络里通过节点的最短路径总数，某个节点的介数中心性的计算式为

(5)$ \begin{array}{c}{{\mathrm{BC}}}_{i}=\displaystyle\sum\limits_{s\neq i\neq t}\dfrac{n_{st}^{i}}{{g}_{st}}.\end{array} $

式中：$ n_{st}^{i} $为节点$ s $和节点$ t $之间经过节点$ i $的最短路径数量，$ {g}_{st} $为节点$ s $和节点$ {t} $之间的最短路径数量. 3）度中心性认为与多个节点相邻的节点是重要的，且认为所有邻居的贡献度一样. 然而，这些相邻节点本身的重要性是不同的，因此它们对中心节点的影响不同. 给定节点$ {v}_{i} $，特征向量中心性用它的相邻节点的中心性来定义$ {v}_{i} $的中心性：

(6)$ \begin{array}{c}{C}_{e}\left( {v}_{i}\right) =\dfrac{1}{\lambda }\displaystyle\sum\limits_{j=1}^{n}{A}_{ij}{C}_{e}\left( {{v}}_{{j}}\right) .\end{array} $

式中：$ \lambda $为邻接矩阵A的最大特征值. 4）Katz中心性是特征向量中心性的变体，它不仅考虑了邻居的中心性，而且用常数来考虑中心节点本身. 具体来说，节点$ {{v}}_{{i}} $的Katz中心性为

(7)$ \begin{array}{c}{C}_{e}\left( {v}_{i}\right) =\alpha \displaystyle\sum\limits_{j=1}^{n}{A}_{ij}{C}_{e}\left( {v}_{{j}}\right) +\beta .\end{array} $

式中：$ \beta $为自环权重（通常设为1），表示节点自身的基础重要性；$ \alpha $为衰减参数,必须满足0<$ \alpha $<$ {1}/{\lambda } $，保证数学上的收敛性，使得中心性分数可以通过求矩阵逆得到. 当$ \alpha $趋近于0时，节点的中心性主要由$ \beta $决定，几乎不考虑邻居的影响，计算结果无法区分节点的重要性. 特征向量中心性可以看作Katz中心性在$ \alpha ={1}/{\lambda } $且$ \beta =0 $时的极限情况.

对于4种复杂网络特征，每种特征提取到的特征维度为（C，129），4种特征进行拼接得到（C，516）的数据. 本研究采用多域特征提取策略，从时域提取到（C，16）的特征，从频域提取到（C，129）的特征和从复杂网络域提取到（C，516）的特征作为脑电信号的特征，频域和复杂网络域特征分别进行线性变换，得到2个（C，16）的数据，此时时域、频域和复杂网络域三者的特征均为（C，16），将它们沿一个维度堆叠，得到（3，C，16）的三维特征，该三维特征综合了多域信息，能够更准确地刻画脑电信号.

本研究提出基于空间距离的嵌入方法，用于表征EEG电极间的空间相关性. 定义包含任意2个EEG电极间距离的集合$ {{D}}_{\text{is}}=\{{d}_{ij}|i,j\in (1,E),i\neq j\} $，其中$ {d}_{ij} $为电极节点$ i $和电极节点$ j $之间的欧氏距离，$ {E} $表示电极总数. 电极间的空间距离信息从国际10-20系统中获取. 经过计算形成基于距离的邻接矩阵. 对该邻接矩阵中的元素进行二值化处理，若距离$ {d}_{ij} $小于$ {D}_{{\mathrm{is}}} $的平均值，则定义2个电极相邻. 综上所述，通过位置嵌入方法，获取三维位置嵌入，得到邻接矩阵$ \boldsymbol{A}\in {\mathbf{R}}^{{E}\times {E}} $，

(8)$ {A}_{ij}=\begin{cases} \dfrac{1}{{d}_{ij}},\quad{d}_{ij}\lt M\left({D}_{{\mathrm{is}}}\right);\\0,\quad\;\;\;{d}_{ij} \geqslant M\left({D}_{{\mathrm{is}}}\right).\\\end{cases}$

式中：M($ {D}_{{\mathrm{is}}} $)为距离集$ {D}_{{\mathrm{is}}} $的均值.

提取丰富的特征有助于EEG分类，但不适当的融合方法可能会引入更多冗余信息，导致模型性能不佳. 本研究采用三元注意力机制，为提取的特征赋予不同权重，突出对分类具有判别性的关键特征^[17]，如图3所示. 三元注意力层（triple attention layer，TAL）的目标是在保持当前维度缩减的同时，以高效的方式建模通道注意力和空间注意力. 对于输入张量$ {\boldsymbol{X}}_{{\mathrm{in}}}\in {\mathbf{R}}^{{C}\times {H}\times {W}} $，分别使用3个分支来捕捉：（H，W）、（C，W）和（H，C）维度之间的依赖关系. 特征映射传递到每个分支，第一个分支设计用于捕捉（H，W）维度之间的交互，并在$ {\boldsymbol{X}}_{\text{HW}}\in {\mathbf{R}}^{{C}\times {H}\times {W}} $上执行. 通过最大池化和平均池化方法对通道维度进行降维，经过池化层之后，特征拼接在一起. 这个操作会缩小特征映射，使后续计算更加轻量级，并生成丰富的特征$ {{\bf{X}}}_{{\mathrm{pool}}} $，表达式为

(9)$ {\boldsymbol{X}}_{\text{pool}}=\mathrm{MaxPool}\left( {\boldsymbol{X}}_{\text{HW}}\right) {\text{Ⓒ} }\;\text{AvgPool}\left( {\boldsymbol{X}}_{\text{HW}}\right). $

式中：$ {\boldsymbol{X}}_{\text{pool}}\in {\mathbf{R}}^{{2}\times {H}\times {W}} $为池化后的特征，MaxPool(·)和AvgPool(·)分别为通道化的最大池化和平均池化操作，Ⓒ为通道化的拼接操作. 之后，$ {\boldsymbol{X}}_{\text{pool}} $被输入标准的卷积操作中，使用7×7的核和sigmoid激活函数来获得中间注意力权重$ {\boldsymbol{X}}_{\mathrm{W}}\in {\mathbf{R}}^{{1}\times {H}\times {W}} $. 第二个分支的工作方式类似，通过添加对输入张量进行维度换位的操作，将输入张量转换为$ {\boldsymbol{X}}_{\text{CW}}\in {\mathbf{R}}^{{H}\times {C}\times {W}} $，目的是捕捉$ (C,W) $维度之间的依赖关系. 此外，第二个分支末尾的另一次维度换位操作，张量被转换回原始输入形状. 第三个分支的构造方式相同，$ {\boldsymbol{X}}_{\text{HC}}\in {\mathbf{R}}^{{W}\times {H}\times {C}} $建立起$ (H,C) $维度之间的依赖关系. 3个分支的输出通过平均聚合来生成精炼的特征. 为了从输入张量$ {\boldsymbol{X}}_{\text{in}}{\in \mathbf{R}}^{{C}\times {H}\times {W}} $中提取精炼特征，将TAL操作表示为

(10)$ {\boldsymbol{X}}_{\text{ref}}=\dfrac{1}{3}\left({\boldsymbol{X}}_{\text{HW}}\odot \boldsymbol{X}_{\mathrm{W}}^{1}+\overline{{\boldsymbol{X}}_{\text{CW}}\odot \boldsymbol{X}_{\mathrm{W}}^{2}}+\overline{{\boldsymbol{X}}_{\text{HC}}\odot \boldsymbol{X}_{\mathrm{W}}^{3}}\right) . $

式中：$ {\boldsymbol{X}}_{\text{CW}} $和$ {\boldsymbol{X}}_{\text{HC}} $为$ {\boldsymbol{X}}_{\text{in}} $的维度转换后的结果；$ \boldsymbol{X}_{{\mathrm{W}}}^{i} $(i=1,2,3)为第i个注意力分支生成的注意力；$ \odot $为广播元素乘法；“$ - $”表示转置操作，将第二个分支与第三个分支维度转换为与第一个分支维度相同；$ {\boldsymbol{X}}_{\text{ref}} $为3个类别不同角度关注的特征进行加权融合后表示得到的增强后的特征.

为了深入探索多通道脑电信号的空间关系，不同通道的脑电信号通过电极间的空间距离转换为图结构，送入GATv2^[18]的模型中. 对象的脑电信号会被表示成图数据，每个通道作为图中的1个节点. GATv2与GAT非常相似，但修复了静态注意力问题. GAT的计算式为

(11)$ {e}_{ij}=\text{LeakyReLU}\;\left({\boldsymbol{a}}^{\mathrm{T}}\left[\boldsymbol{W}{\boldsymbol{h}}_{i}|| \boldsymbol{W}{\boldsymbol{h}}_{j}\right]\right). $

式中:$ \text{LeakyReLU} $为非线性激活函数，当输入$ x $>0时，输出$ x $，当$ x $≤0时，输出$ \alpha x $；W为共享的权重矩阵；$ \boldsymbol{a}={\boldsymbol{a}}_{1}||{\boldsymbol{a}}_{2} $，为了解决静态注意力的问题，$ || $表示$ {\boldsymbol{a}}_{1} $与$ {\boldsymbol{a}}_{2} $进行拼接操作，$ {\boldsymbol{a}}_{1} $和$ {\boldsymbol{a}}_{2} $均为独立的可学习参数向量，它们的维度都是节点特征的输出维度，$ \boldsymbol{a} $拼接后的向量用于计算注意力系数$ {e}_{ij} $. GATv2改变了这个注意机制功能中的顺序，计算式为

(12)$ {e}_{ij}={\boldsymbol{a}}^{{\mathrm{T}}}\text{LeakyReLU}\;\left(\left[\boldsymbol{W}{\boldsymbol{h}}_{i}|| \boldsymbol{W}{\boldsymbol{h}}_{j}\right]\right).~~~~~ $

为了使每个节点在节点之间具有独立的权重，应用softmax函数:

(13)$ {\alpha }_{ij}=\dfrac{\exp \;({\boldsymbol{a}}^{{\mathrm{T}}}\text{LeakyReLU}\;([\boldsymbol{W}{\boldsymbol{h}}_{i}||\boldsymbol{W}{\boldsymbol{h}}_{j}]))}{\displaystyle\sum\nolimits_{j\in {N}_{i}}\exp \;({\boldsymbol{a}}^{{\mathrm{T}}}\text{LeakyReLU}\;([\boldsymbol{W}{\boldsymbol{h}}_{i}||\boldsymbol{W}{\boldsymbol{h}}_{j}]))}. $

每个节点特征向量$ {{\boldsymbol{h}}}_{i} $计算为

(14)$ \begin{array}{c}\boldsymbol{h}_{{i}}^{\boldsymbol{'}}=\sigma \left(\displaystyle\sum\limits_{j\in {{N}}_{{i}}}{\alpha }_{ij}\boldsymbol{W}{\boldsymbol{h}}_{j}\right).\end{array} $

为了提高模型的拟合能力，采用多头注意机制. 为了保证GATv2的稳定性，对多个注意机制的结果进行平均，并且每个注意机制的学习特征是不同的. 学习到的节点特征向量计算式为

(15)$ \begin{array}{c}\boldsymbol{h}_{{i}}^{\boldsymbol{'}}=\sigma \left(\dfrac{1}{Q}\displaystyle\sum\limits_{q=1}^{{Q}}\displaystyle\sum\limits_{j\in {{N}}_{{i}}}\alpha _{ij}^{q}{\boldsymbol{W}}^{q}{\boldsymbol{h}}_{{j}}\right).\end{array} $

式中：$ {\boldsymbol{h}}_{i}^{'} $为GAT输出的新特征，该特征集成每个节点的邻域信息. GATv2模块的输出是一组新的节点特征向量：$ \boldsymbol{H}\boldsymbol{'} $=$ [\boldsymbol{h}_{1}^{\boldsymbol{'}} $，$ \boldsymbol{h}_{2}^{\boldsymbol{'}} $，$ \cdots $,$ \boldsymbol{h}_{\mathrm{M}}^{\boldsymbol{'}}] $；$ \boldsymbol{h}_{1}^{\boldsymbol{'}}\in {\mathbf{R}}^{{{F}^{'}}} $，$ {F}^{'} $为新节点特征向量的维数.

CHB-MIT数据集包含24个EEG记录，来自23名受试者，其中chb21为chb01受试者经过1.5 a后的追踪记录. 考虑到癫痫异常放电主要集中在0.5~50.0 Hz频段，原始脑电信号须进行预处理. 采用5阶巴特沃斯带通滤波器对该频段进行滤波处理，以去除噪声干扰，提高信噪比，进而优化分类性能. 本研究中所有使用的脑电数据均指经过0.5~50.0 Hz滤波处理后的信号. 由于不同患者在多次实验中使用的电极配置存在差异，为了确保数据的一致性和可比性，选择所有受试者共同拥有的18个导联通道进行分析，具体包括：FP1-F7、F7-T7、T7-P7、P7-O1、FP1-F3、F3-C3、C3-P3、P3-O1、FP2-F4、F4-C4、C4-P4、P4-O2、FP2-F8、F8-T8、T8-P8、P8-O2、FZ-CZ和CZ-PZ. 在癫痫发作预测任务中，准确界定发作前期和发作间期至关重要. 癫痫检测任务是为了区分发作期和发作间期，癫痫预测与癫痫检测有着本质的区别. 鉴于现有发作前期定义标准存在分歧，本研究采用Maiwald等^[19]提出的定义方法：发作前30 min设定为发作前期(SPH)，该时间窗口既能有效预警患者，又避免引起过度焦虑；发作间期(SIH)选取距离癫痫发作前后4 h以外的时间段，取30 min的数据，来达到平衡数据集的目的. 当SPH时长不足30 min时，采用前一连续样本的后半段数据进行补充，以确保样本时长尽可能接近30 min. 考虑到数据质量要求，排除chb08、chb12、chb15病例（发作间期数据不满足4 h间隔要求），chb16病例（发作前数据包含前次发作信息）以及chb13的chb13_40.edf文件下第二次发作记录（发作前期的时间只有357 s，不满足发作前期30 min的要求），最终选择19名患者的数据用于实验分析. 考虑到大脑活动的复杂性和动态性，EEG信号具有显著的非平稳特征，其统计特性、频率分布和振幅随时间、任务或生理状态发生变化. 为了处理这一问题，将连续的EEG信号分割为5 s时长的片段，假设每个片段内信号具有伪平稳性，保持相对稳定的统计和频率特征.

TUSZ数据集是美国天普大学（Temple University）医院发布的癫痫脑电公共数据集. 该数据集收录来自632名患者的多通道脑电记录，原始数据以欧洲数据格式存储，并附有文本形式的标注信息及临床报告. 相较于CHB-MIT数据集，TUSZ在数据采集时间跨度、来源多样性以及受试者数量等方面具有显著优势. 由于数据采集设备型号多样，该数据集中脑电信号的采样频率并不统一，分布在250~1000 Hz，所有EEG数据被重新采样为200 Hz. 数据集中每个病人采集脑电信号使用的通道数也不相同，本研究选择共有的19个通道FP1、FP2、F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T3、T4、T5、T6、FZ、CZ和PZ. 由于TUSZ数据集记录时间较短，数据记录通常都不超过20 min，且不连续，对于发作前期数据无法获得发作前30 min的数据，对于发作间期无法获取到发作前后4 h开外的数据，因此选取部分病人采用上述实验方法进行癫痫发作检测，验证模型的性能. 该数据集上患者的发作次数不同，如果选择发作次数少的患者则对实验结果的影响比较大，本研究在该数据集上选择6名发作次数较多的患者（编号为00000002，00001587，00002521，00003208，00000302，00007252）进行癫痫发作检测分析，每名患者的数据发作记录截断为12 s，并将每个片段作为1个样本.

电极位置差异以及不同患者间头部形状和电极配置的变化可能引起信号幅度差异，须对信号进行归一化处理，提高不同电极和患者间数据的可比性. 2个数据集里的样本均采用Z-score标准化方法，各通道信号转换为均值为0、标准差为1的标准正态分布，有效消除通道间的幅度差异.

使用Python语言在PyCharm环境中开发，采用PyTorch深度学习框架构建模型，实验在配备NVIDIA GeForce RTX 4060Ti GPU的计算平台上执行. 训练配置方面，采用Adam优化器，学习率设为0.001，在CHB-MIT数据集上进行100轮迭代训练，批处理大小设定为64. 为了确保结果可靠性，采用5折交叉验证策略，最终准确率取5次训练结果的均值. 模型优化采用交叉熵损失函数，通过最小化损失值来提升模型性能.

选择准确率Acc、敏感性Sen、特异性Spe、F1分数和AUC（ROC曲线下的面积）作为评估指标，用于评价模型在CHB-MIT数据集上的分类效果. 准确率反映模型在测试集上的整体分类正确性.

(16)$ \begin{array}{c}\mathrm{Acc}=\dfrac{\mathrm{TP}+\text{TN}}{\mathrm{TP}+\mathrm{FP}+\mathrm{TN}+\text{FN}}\text{，}\end{array} $

(17)$ \begin{array}{c}\mathrm{Sen}=\dfrac{\text{TP}}{\mathrm{TP}+\text{FN}}\text{，}\end{array} $

(18)$ \begin{array}{c}\mathrm{Spe}=\dfrac{\text{TN}}{\mathrm{TN}+\text{FP}}\text{，}\end{array} $

(19)$ \begin{array}{c}\mathrm{F}1=\dfrac{2\times {P}\times {R}}{{P}+{R}}.\end{array} $

式中：TP、TN、FP和FN分别为真阳性、真阴性、假阳性和假阴性样本数，P为精确率，R为召回率.

如表2所示为基于多域特征和GATv2的癫痫发作预测方法在CHB-MIT数据集上的评估结果. 可以看到，所提方法在19个病例上取得了优异的整体性能，平均准确率、敏感性、特异性、F1分数和AUC分别达到97.58%、98.11%、97.88%、97.61%和98.63%，且各指标间保持良好平衡，表明模型在不同患者间具有稳定的泛化能力. 方法在chb10和chb21病例上的预测性能表现最佳，chb10的准确率达99.63%，chb21的AUC为99.88%；在chb5、chb14和chb6等病例上的预测性能较差，如chb5的准确率为92.95%，推测与患者个体差异或发作模式不典型有关. 总体而言，所提方法在准确率、敏感性和特异性等关键评估指标上均表现优异，验证了其在癫痫发作预测中的有效性与鲁棒性.

如表3所示为所提方法在TUSZ数据集上的评估结果. 可以看到，该方法在6名患者上的平均准确率为89.58%，平均敏感性为88.21%，平均特异性为88.27%，平均F1分数为90.35%，平均AUC为89.45%. 各样本间性能差异较大，其中编号00000002表现最佳（准确率为96.88%，AUC为98.18%），编号00007252表现最差（准确率为78.53%，敏感性为76.98%），编号00002521的敏感性仅为77.21%，表明方法在不同样本上的泛化能力存在明显波动. 整体而言，该方法在该数据集上取得中等偏上的检测性能，但在部分样本上仍需进一步优化以提升鲁棒性.

采用留一法交叉验证评估所提方法在跨被试任务中的性能. 实验选用CHB-MIT数据集，每次留下一名患者的全部EEG数据作为测试集，其余所有患者的数据作为训练集，最终训练结果如表4所示. 该方法在19个病例上的平均准确率为75.13%，平均敏感性为74.10%，平均特异性为74.61%，平均F1分数为73.99%，平均AUC为73.53%. 各病例间表现差异显著：chb22病例表现最佳，准确率为96.53%、AUC为96.24%，chb9和chb19病例的准确率也都超过90%；chb6病例表现最差，准确率为48.17%、敏感性为42.68%，chb4、chb13、chb14、chb20、chb21等多个病例的准确率低于60%，且敏感性和特异性均较低. 上述结果表明，所提方法在该数据集上的预测性能不稳定，跨受试者泛化能力存在不足问题.

为了验证多域特征提取和图神经网络的方法在 CHB-MIT癫痫预测分类任务中的优势，采用本研究提出的预处理方法，并选取其他相关研究中的模型开展实验，进行对比分析. 1）结合共空间模式（common spatial pattern，CSP）和CNN的癫痫发作预测方法^[20]通过时域和频域特征提取以及浅层CNN分类，在EEG数据上取得高灵敏度和低误报率的预测结果. 2）RDANet^[21]深度学习模型用于预测癫痫发作，结合了残差网络和双自注意力机制，有效整合局部和全局特征来提高预测性能. 3）TA-STS-ConvNet^[22]癫痫发作预测方法通过金字塔卷积网络从脑电图信号中提取多尺度时频特征，并结合三元注意力机制和动态图卷积网络来提高预测准确性. 4）采用滤波器组公共空间模式（filter bank common spatial pattern，FBCSP）算法思想的神经网络架构^[23]使用逐层相关性传播（layer-wise relevance propagation，LRP）技术来解释网络模型的决策过程，提高了模型的可解释性. 5）基于多维Transformer和循环神经网络融合的癫痫发作预测模型^[24]（STFT+TLG）能够有效地从EEG信号中提取时频特征，并准确预测癫痫发作，实现端到端的信号处理. 6)基于多维EEG空间矩阵和残差网络的癫痫预测方法^[25]（F+ResNET）通过提取熵、分形维数、波动指数等非线性特征并结合脑电电极空间分布信息，构建多维特征矩阵输入ResNet，实现高精度的癫痫发作预测. 7种模型在CHB-MIT数据集18名受试者的分类准确率、敏感性和特异性如表5所示. 可以看出，所提方法的3项评价指标均显著高于传统方法CSP+CNN的对应指标. 在先进模型TA-STS-ConvNet、FBCSP+CNN、STFT+TLG和F+ResNET的分类敏感性中，STFT+TLG的敏感性高于所提方法，这归功于该方法结合STFT提取的时频域特征和Transformer，长短期记忆网络和门控循环单元捕捉的依赖关系展现出较好的性能，所提方法在特异性上更优，适合临床减少误报. 所提方法通过在时域、频域提取特征，使用加权邻域图构造复杂网络提取中心性特征，更加准确地表达了脑电信号，通过三元注意力机制的深度优化及图注意力网络空间信息的提取，与STFT+RDANet、CSP+CNN、FBCSP+CNN、TA-STS-ConvNet等方法相比，在准确率、敏感性和特异性上均表现更为优异.

对比实验主要集中在深度学习方法之间，这在一定程度上限制了对模型优势的全面评估. 传统的统计分析方法在医学信号处理领域依然具有较强的解释性和应用价值. 在提取完时域、频域、复杂网络域特征后，对比所提方法与传统的机器学习分类器的性能，评估结果如表6所示. 可以看出，深度学习方法优于传统的机器学习方法，也验证了本研究提取的时域、频域、复杂网络域特征的有效性.

为了全面评估复杂网络域特征的有效性，分别把时域、频域、复杂网络域特征单独及组合输入模型进行对比分析，评估结果如表7所示. 实验结果表明，采用复杂网络域特征的模型准确率相比单独使用时域特征提升4.59个百分点，相比单独使用频域特征提升6个百分点；时域、频域和复杂网络域特征的组合相比时域与频域特征组合提升5.14个百分点. 其他性能指标同样呈现显著改善，验证了复杂网络域特征在表征复杂脑电信号方面的有效性.

在复杂网络域提取到的特征当中，对于Katz中心性，0<$ \alpha $<$ {1}/{\lambda } $保证了Katz中心性级数定义中幂级数展开的收敛性. 本研究选择默认$ \alpha $=0.1进行实验，得到不错的效果. 如表8所示为不同衰减参数取值对模型性能的影响. 可以看出，$ \alpha $的取值对实验结果影响较小，原因是Katz中心性只占16个时域特征之一. 当$ \alpha $=0.10时，模型的效果比其他取值更好；当$ \alpha $太小（如$ \alpha $=0.01）时，会产生过度局部化，即只考虑一阶邻居，退化为度中心性，忽略网络全局结构，此时模型的准确率下降为97.34%，相比$ \alpha $=0.10时下降了0.24个百分点；当$ \alpha $太大（如$ \alpha $=0.50）时，Katz中心性特征会过度全局化，接近特征向量中心性，由于本研究已经选择过特征向量中心性，此时数据的特征会重复，进而影响模型的结果，由结果可知，$ \alpha $=0.50时的准确率较$ \alpha $=0.01时的准确率下降0.52个百分点.

通过逐步移除或替换核心组件，定量评估各模块对模型整体性能的贡献度. 1）移除三元注意力网络：直接把提取的多域特征作为节点输入，验证注意力机制的必要性. 2）替换注意力机制：三元注意力替换为传统注意力机制，对比验证三元注意力的优势. 3）替换图注意力网络：使用GAT替换GATv2，验证动态注意力机制相比静态注意力机制的性能提升. 实验结果如表9所示. 可以看出，三元注意力机制和图注意力网络是模型性能的核心组件. 三元注意力机制在多域特征聚合提取中发挥关键作用，移除后准确率下降7.17个百分点；当替换为普通注意力机制时，性能下降3.25个百分点，表明三元注意力网络相比传统注意力机制的优势在于能够同时关注3个维度的特征，更全面地捕捉序列数据中的复杂模式和依赖关系. 当GATv2网络被GAT网络替换时，模型准确率下降4.32个百分点，说明GATv2通过把GAT的静态注意力机制改进为动态注意力机制，显著提升了网络的表达能力和模型性能. 综合分析可见，完整模型通过各模块的高效协作，实现特征的全面建模和关键信息的充分表达，达到最优性能. 消融实验结果验证了模块设计的合理性及其协同优化的必要性，为模型整体性能提升提供了有力支撑.

本研究提出融合多域特征与GATv2的癫痫发作预测方法. 该方法提取脑电信号的时域、频域及复杂网络域特征，借助三元注意力机制构建特征映射间的多维依赖关系，实现多域信息的高效融合；利用GATv2捕获脑电通道间的空间拓扑关系，完成癫痫脑电信号的分类识别. 实验结果表明，所提模型在准确率、敏感性、特异性等评估指标上均表现优异，且在单条样本推理时具有较快的响应速度，能够满足实际预测系统对实时性与准确性的双重需求，为癫痫患者的日常监测与预警提供了可行的技术方案. 尽管本研究取得了较好的预测效果，但仍存在以下局限：实验数据来自特定采集环境下的公开数据集，样本规模有限且患者个体差异较大，模型的跨个体泛化能力有待进一步验证；当前方法仅依赖脑电模态信号，未融合其他生理或行为数据. 后续研究将引入迁移学习与域自适应技术，提升模型在不同患者、不同采集设备间的泛化性能；还将融合多模态生理信号（如心电、肌电）并利用多视图学习，增强癫痫发作前特征的表征能力.