近日，团队成员宋先玥等人在邱丽娜老师和潘家辉老师指导下投稿的论文被CCF B类会议IEEE生物信息学与生物医学国际会议(IEEE International Conference on Bioinformatics and Biomedicine，BIBM 2024)接收。论文题为“MC-FAW: A Multi-Scale Convolutional Feature Adaptive Weighted Fusion Network for Detecting Disorders of Consciousness”。

据悉，本次IEEE BIBM 2024共收到965篇论文提交，最后共接受了205篇，录用率为21%。作为生物医学与计算机科学交叉领域的旗舰会议，IEEE BIBM 2024将于2024年12月3日至6日在葡萄牙里斯本举行，会议主题聚焦生物信息学和生物医学的创新研究，旨在展示最新研究成果，探讨当前挑战，并推动前沿技术的发展‌。

研究背景

意识障碍（Disorders of Consciousness, DoC）是一种由严重脑损伤引起的神经系统疾病，精准评估患者的意识水平对其治疗至关重要。然而，然而，现有的评估方法在客观性和准确性方面仍存在不足。针对这一问题，本研究提出了一种创新的特征融合方法，旨在通过整合多尺度脑功能连接特征提高意识状态的分类性能。该工作为DoC的辅助诊断提供了全新视角，可能为临床上更准确地评估DoC患者提供新的工具。

方法和结果

本研究提出了多尺度卷积特征自适应加权融合（MC-FAW）网络，以实现多频带和多尺度特征的优势互补（如图1所示）。MC-FAW网络包含两个关键模块：第一部分是多频带融合的特征自适应加权模块（Feature Adaptive Weighting, FAW），通过多层全连接网络实现不同频段特征的自适应加权，增强特征的重要性表达；第二部分是多尺度卷积融合模块（Multi-Scale Convolutional Fusion, MC），该模块能够有效融合多尺度特征，提取更丰富的有效信息，从而实现对意识状态的准确表达。

图1：基于多尺度卷积特征自适应加权融合网络的实验框架

首先，从原始脑电图（EEG）信号中提取了三种常见的功能连接特征：相关性（Correlation）、相干性（Coherence）和相位锁定值（PLV）。接着，将这些特征输入MC-FAW网络进行融合。在完成特征融合后，研究使用自采集的数据集进行分类实验。该数据集包含15名健康被试（HC）、17名最小意识状态患者（MCS）以及15名植物状态患者（VS）。实验采用交叉验证方法，从每组中随机抽取两名作为测试集，其余数据作为训练集，直至测试完所有可能的测试集。实验结果显示，MC-FAW模型在所有分类任务中的准确率均高于单一频率和单一特征的最高准确率（见表1）。具体而言，在HC与MCS分类中，MC-FAW模型的准确率提升了1.45%，达到96.54%；在HC与VS分类中，准确率从96.84%提升至98.47%，提升了1.63%；而在MCS与VS分类中，准确率从82.79%提升至85.25%，提高了2.46%。

表1: 基于MC-FAW 融合网络的分类结果

结论

本研究提出的多尺度卷积特征自适应加权融合方法在自采集的数据集上表现出显著效果，证明其在意识障碍患者的意识评估中具有潜在的临床应用价值。

撰稿人：宋先玥

审稿人：邱丽娜、潘家辉