编辑推荐：
为解决脑卒中分类难题，研究人员开展基于多通道脑电图（EEG）的研究，结合离散小波变换（DWT）和经验模态分解（EMD）提取特征，构建金字塔级联卷积神经网络（PCCNN）。结果显示融合特征分类准确率达 99.48%，为脑卒中诊断提供新方法。
脑卒中，作为全球主要的致死致残性神经系统疾病，如同隐藏在脑部的 “定时炸弹”，其及时准确分类对临床治疗至关重要。缺血性和 hemorrhagic 脑卒中因治疗方式迥异，快速鉴别宛如在复杂迷宫中寻找正确出口，而传统基于单通道或简单多通道拼接的脑电图（EEG）分析方法，犹如用模糊的镜头观察世界，难以精准捕捉脑电信号中的关键差异，且面临特征选择和多通道信息利用的双重挑战。在此背景下，山西省人民医院的研究人员开展了一项极具创新性的研究，相关成果发表在《Cognitive Robotics》。
研究人员以多通道 EEG 数据为切入点，旨在突破传统方法的局限。为实现这一目标，研究采用了以下关键技术方法：首先对 EEG 数据进行预处理，通过 50Hz 陷波滤波器、1-30Hz 带通滤波器去除噪声，并利用 RunICA 算法去除伪影，将数据分割为 20 秒样本后以 19×10000 的矩阵形式输入模型；接着运用离散小波变换（DWT）对信号进行 6 层分解，提取与脑卒中相关的 δ、θ、α、β 频段的近似系数（AC）和细节系数（DC4-DC6）；同时通过经验模态分解（EMD）将信号分解为固有模态函数（IMF），并创新地采用融合信息熵、功率谱密度（PSD）距离、统计显著性和最大信息系数（MIC）的混合选择方法筛选关键 IMF；最后构建金字塔级联卷积神经网络（PCCNN），通过多分支独立学习和金字塔融合机制实现特征融合与分类。
4.3.1 不同数据拼接方法性能对比
研究对比了多通道矩阵、多通道简单拼接和单通道三种数据形式，发现多通道矩阵形式的 Dataset-1 在分类准确率、Kappa 系数和 AUC 值等指标上均显著优于其他两种形式，证明其能更有效保留通道间空间信息，助力模型学习分类边界。
4.3.2 多尺度小波系数特征性能
对 Dataset-1 进行 DWT 分解后，单独评估各系数特征发现，与脑卒中相关频段的 AC、DC4-DC6 表现优异，其中 DC4 特征各项指标超 92%。进一步对比全系数组合和筛选后的特征组合，发现筛选后的 AC+DC4-6 组合在 PCCNN 中分类准确率更高，且减少了计算成本。
4.3.3 EEG-IMF 特征性能
EMD 分解得到的 6 个 IMF 中，高频分量 IMF1-IMF3 分类性能显著优于低频分量，混合选择方法筛选出的 IMF2、IMF1、IMF3 组合在 PCCNN 中表现优于全分量组合，验证了特征筛选的有效性。
4.3.4 DWT-EMD 特征融合性能
将筛选后的 DWT 特征和 EMD 特征融合后输入 PCCNN，分类准确率提升至 99.48%，特异性和敏感性均达 100%，证明两种特征的互补性显著提升了分类性能。
4.4 非参数检验
通过 Wilcoxon 符号秩检验和 Friedman 检验证实，多通道矩阵拼接、筛选后的 DWT 和 EMD 特征组合以及两者的融合特征，均在统计上显著优于对应基线方法，进一步验证了研究方法的科学性和有效性。
4.5 与现有工作对比
与其他研究相比，该研究提出的 DWT-EMD 特征融合结合 PCCNN 的方法，在分类准确率、敏感性和特异性等指标上均表现更优，凸显了其优越性。
研究结论表明，基于多通道 EEG 的 DWT 和 EMD 特征融合结合 PCCNN 的方法，能显著提升脑卒中分类的准确性，为临床快速精准鉴别缺血性和 hemorrhagic 脑卒中提供了新的有效手段。该研究不仅在方法上实现创新，为 EEG 在脑卒中诊断中的应用开辟了新路径，也为脑机接口在机器人康复系统中的应用带来希望，有望推动个性化脑卒中康复治疗的发展。未来，可进一步探索短时傅里叶变换（STFT）、集合经验模态分解（EEMD）等特征提取技术，以进一步丰富特征集，提升分类性能。
