基于EEG信号多维特征提取的脑卒中分类新方法：自相关与复杂度特征的融合创新

为解决脑卒中分类中EEG（脑电图）特征提取质量不足的问题，Teng Wang团队提出了一种结合优化经验模态分解的改进多分形去趋势波动分析（MFDFAI）算法，提取高质量自相关特征，并创新性提出模糊不对称指数（FAI）复杂度特征。通过融合层次模糊熵、非对称熵和FAI构建多维特征集，采用随机森林算法实现了脑出血与脑梗死的精准分类（准确率99.33%），为临床诊断提供了高效工具。

　　

脑卒中作为全球致残率最高的疾病之一，其分类准确性直接影响临床治疗决策。目前，脑出血和脑梗死的鉴别主要依赖CT或MRI，但设备成本高且不适用于动态监测。脑电图（EEG）因其无创、低成本的优势成为潜在替代方案，但EEG信号的非线性、非平稳特性使得特征提取成为关键瓶颈。现有研究虽尝试结合机器学习方法，但特征质量参差不齐，分类性能难以突破95%准确率大关。

针对这一挑战，太原理工大学电子信息工程学院联合山西省人民医院神经科的研究团队在《Scientific Reports》发表了一项突破性研究。他们创新性地融合自相关理论和复杂度分析方法，开发了一套多维EEG特征提取体系。通过改进的多分形去趋势波动分析（MFDFAI）算法提取5维自相关特征，同时发现脑梗死信号高频与低频带模糊熵比值显著低于脑出血的特征规律，据此提出模糊不对称指数（FAI）新特征。最终整合层次模糊熵、非对称熵和FAI构建复合特征集，采用随机森林算法实现了迄今最高的分类性能。

研究采用三项核心技术：1）基于Pearson相关系数优化经验模态分解的MFDFAI算法，用于提取hq_max
、τq_min
等5维自相关特征；2）小波包分解获取δ(0.5-3Hz)、θ(4-7Hz)、α(8-13Hz)和β(14-30Hz)四频带信号，计算层次模糊熵和左右脑非对称熵；3）创新性提出FAI= (F_δ
+F_θ
)/(F_α
+F_β
)特征。实验数据来自6例脑出血和10例脑梗死患者的20导联EEG，经严格预处理后分割为300个6秒样本。

自相关特征性能分析
MFDFAI算法提取的特征在AUC（0.92±0.05）和特异性（100%）上显著优于传统MFDFA（p=0.0084）。可视化分析显示，脑梗死信号的广义Hurst指数h(q)整体高于脑出血，而尺度指数τ(q)呈现交叉现象，证实了特征的可区分性。

复杂度特征创新发现
研究首次揭示：脑出血患者α/β波段模糊熵趋近于零，而脑梗死患者各频段熵值均较高。据此提出的FAI特征在随机森林模型中重要性评分最高，结合层次模糊熵构建的复合特征使AUC达0.99±0.00。

多维特征集成优势
融合自相关和复杂度特征的多维特征集（Our-3）最终实现99.33%准确率，MCC（98.73%）较基线提升12.4%。特征重要性分析显示FAI和MFDFAI特征贡献度并列首位。

这项研究的突破性在于：1）首次通过频段模糊熵比值揭示卒中类型的电生理差异机制；2）创立的MFDFAI算法为非线性信号分析提供新范式；3）多维特征融合策略为EEG辅助诊断树立了新标杆。临床专家指出，该模型对脑出血患者高频脑电活动消失的现象捕捉，与病理生理学改变高度吻合。未来研究需扩大样本量并纳入健康对照组，但现有成果已为床旁快速诊断提供了极具转化价值的解决方案。