DOI: https://doi.org/10.1038/s41598-026-36121-0
PMID: https://pubmed.ncbi.nlm.nih.gov/41545462
تاريخ النشر: 2026-01-16
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم ورقة البحث إطار عمل هجين للشبكات العصبية الكمومية الكلاسيكية (HQCNF) مصمم لتعزيز تصنيف نوبات الصرع من خلال تحليل متقدم لإشارات تخطيط الدماغ الكهربائي (EEG). من خلال استخدام تحويل الموجات المستمرة (CWT)، يقوم الإطار بتحويل بيانات EEG إلى مقياس زمني، مما يسهل الفحص التفصيلي للميزات التذبذبية المرتبطة بالنوبات. يدمج HQCNF بنية الشبكة العصبية الكلاسيكية مع طبقات مستوحاة من الكم، محققًا دقة تصنيف ملحوظة تبلغ 99%. لا يظهر هذا النهج الهجين تحسينًا في التعميم مقارنةً بنماذج التعلم العميق التقليدية فحسب، بل يمهد أيضًا الطريق لتطبيقات تشخيصية في الوقت الحقيقي في إدارة الاضطرابات العصبية.
في الخاتمة، تستكشف الدراسة أيضًا إطار عمل هجين لتحويل الرؤية الكمومية (QViT)، والذي يجمع بين الشبكات العصبية التلافيفية (CNNs)، وتحويلات الرؤية (ViTs)، وطبقات التباين الكمومي (QVLs) لاكتشاف النوبات من مقاييس EEG. حقق هذا النموذج أيضًا دقة تبلغ 99.0% ودرجة F1 تبلغ 0.990 عند تقييمه على مجموعات بيانات CHB-MIT وبون. تؤكد التقييمات الشاملة، بما في ذلك استقرار التدريب وقابلية فصل الميزات، فعالية النموذج الهجين، مما يبرز إمكانيات التعلم المعزز بالكم في تحسين منهجيات التشخيص للصرع.
مقدمة
تناقش مقدمة الورقة التحديات الكبيرة التي تطرحها الاضطرابات العصبية، وخاصة الصرع، الذي يؤثر على الملايين عالميًا. تحدث نوبات الصرع نتيجة لعمليات تفريغ كهربائي غير طبيعية في الدماغ، مما يؤثر بشدة على جودة الحياة وقد يؤدي إلى مشاكل عصبية طويلة الأمد. يتم تسليط الضوء على تخطيط الدماغ الكهربائي (EEG) كالأداة الرئيسية لمراقبة نشاط الدماغ نظرًا لطبيعتها غير الغازية ودقتها الزمنية العالية. ومع ذلك، فإن الخصائص غير الخطية وغير الثابتة لتسجيلات EEG تعقد التعرف الدقيق على حالات النوبات. أظهرت تقنيات معالجة الإشارات التقليدية وتقنيات التعلم الآلي بعض الفعالية ولكنها محدودة بطبيعة إشارات EEG المعقدة وصعوبة تعريف ميزات قوية.
تؤكد الورقة على الحاجة إلى أطر حسابية متقدمة لنمذجة ديناميات EEG بشكل أفضل، وخاصة من خلال نماذج التعلم الهجين الكمومي الكلاسيكي، التي تقدم سعة تمثيلية محسنة وكفاءة حسابية. على الرغم من نجاح نماذج التعلم العميق مثل الشبكات العصبية التلافيفية (CNNs) والشبكات العصبية المتكررة (RNNs) في اكتشاف النوبات، غالبًا ما تعيق أدائها الحاجة إلى مجموعات بيانات كبيرة وضبط شامل، فضلاً عن عدم قدرتها على التقاط الاعتمادات من الدرجة العليا في بيانات EEG. يُقترح إدخال حسابات عصبية معززة بالكم كنهج واعد لتحسين موثوقية اكتشاف النوبات من خلال الاستفادة من الارتباطات غير الكلاسيكية في بيانات EEG عالية الأبعاد. بالإضافة إلى ذلك، يتم الإشارة إلى تحويل الموجات المستمرة (CWT) لفعاليته في تحليل إشارات EEG غير الثابتة، مما يوفر تمثيلًا زمنيًا تردديًا مشتركًا للنشاط العصبي.
طرق
تحدد هذه القسم المنهجية التجريبية المستخدمة للتحقق من صحة إطار عمل اكتشاف النوبات الهجين QViT، الذي يستخدم مقاييس EEG المستمدة من مجموعات بيانات CHB-MIT وبون. كانت الأهداف الرئيسية للتجارب هي تقييم تعميم النموذج وأدائه وقابليته للتفسير. تم تحقيق ذلك من خلال تحليل ديناميات التدريب وموثوقية المعايرة ودقة التصنيف. تم تقييم القدرة التمييزية للنموذج باستخدام منحنيات خصائص التشغيل المستقبلية (ROC) ومنحنيات الدقة والاسترجاع، وتحليلات توزيع الاحتمالات. بالإضافة إلى ذلك، تم استخدام تصورات t-SNE لفحص قابلية فصل الميزات ضمن مساحة الميزات المتعلمة. أظهرت التقييمات المقارنة ضد النماذج الحالية الرائدة أن الإطار الهجين المقترح أظهر أداءً متفوقًا من حيث الدقة والصلابة والقابلية السريرية لاكتشاف النوبات.
شمل الإعداد التجريبي معالجة مسبقة لمقاييس EEG من مجموعات بيانات CHB-MIT وبون، حيث تم تطبيق تحويل الموجات المستمرة (CWT) لتحويل تسجيلات EEG إلى تمثيلات زمنية ترددية ثنائية الأبعاد، تم تمثيلها لاحقًا كصور مقياس RGB. لضمان جودة الإشارة العالية، تم إجراء تطبيع للميزات ورفض العيوب. يدمج هيكل QViT الهجين شبكة عصبية تلافيفية (CNN) لاستخراج الميزات المكانية الزمنية على مستوى منخفض، وتحويل رؤية (ViT) لتمثيل الأنماط العالمية على مستوى عالٍ، وطبقة تباين كمومي (QVL) لتعزيز تعلم الميزات التمييزية وحدود القرار غير الخطية. تم تدريب النموذج باستخدام مُحسِّن AdamW بمعدل تعلم قدره $2 \times 10^{-4}$، وتنعيم التسمية بمقدار 0.08، وجدول تخفيض معدل التعلم عند الهضبة على مدار 20 حقبة، مع تقسيم 80% للتدريب و20% للاختبار، مع تضمين إيقاف مبكر لتخفيف الإفراط في التكيف.
مناقشة
تسلط المناقشة الضوء على فعالية تحويل الموجات المستمرة (CWT) في تحليل إشارات EEG لاكتشاف نوبات الصرع، مع التأكيد على قدرته على الحفاظ على كل من المعلومات الزمنية والطيفية. تعتبر مقاييس CWT فعالة بشكل خاص في التقاط الأحداث العصبية العابرة والتذبذبات عالية التردد، والتي تعتبر حاسمة لتحديد أنماط النوبات. يعزز دمج الميزات المستمدة من CWT في نماذج التعلم القابلية للتفسير والصلابة، مما يسهل تصنيف النوبات بدقة. يهدف إطار العمل الهجين للشبكات العصبية الكمومية الكلاسيكية (HQCNF) إلى الاستفادة من هذه المزايا من خلال دمج CWT مع تقنيات التعلم الآلي الكمومي، التي تستخدم مبادئ مثل التراكب والتشابك لتحسين قابلية فصل الميزات والتعميم في البيانات عالية الأبعاد.
يظهر HQCNF تقدمًا كبيرًا في اكتشاف النوبات، محققًا دقة تصنيف تصل إلى 99%. يتناول التحديات الرئيسية في تحليل EEG، مثل الضوضاء، وعدم توازن الفئات، وتباين الأفراد، من خلال استخدام بنية هجينة تدمج التعلم العميق الكلاسيكي مع مكونات كمومية. لا يعزز هذا النهج أداء النموذج فحسب، بل يوفر أيضًا حلاً قابلًا للتوسع للتطبيقات السريرية في الوقت الحقيقي. تؤكد الدراسة على إمكانيات الأنظمة الهجينة الكمومية الكلاسيكية في إحداث ثورة في أطر التشخيص العصبي، مما يوفر طريقًا نحو منهجيات اكتشاف النوبات الأكثر دقة وقابلية للتفسير التي يمكن نشرها بفعالية في البيئات السريرية.
DOI: https://doi.org/10.1038/s41598-026-36121-0
PMID: https://pubmed.ncbi.nlm.nih.gov/41545462
Publication Date: 2026-01-16
Author(s): Zhenyun Du et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The research paper introduces a Hybrid Quantum-Classical Neural Framework (HQCNF) designed to enhance the classification of epileptic seizures through advanced analysis of electroencephalogram (EEG) signals. By employing a Continuous Wavelet Transform (CWT), the framework converts EEG data into scalograms, facilitating a detailed examination of the oscillatory features associated with seizures. The HQCNF integrates classical neural network architecture with quantum-inspired layers, achieving a remarkable classification accuracy of 99%. This hybrid approach not only demonstrates improved generalization over traditional deep learning models but also paves the way for real-time diagnostic applications in the management of neurological disorders.
In the conclusion, the study further explores a Hybrid Quantum-Vision Transformer (QViT) Framework, which combines Convolutional Neural Networks (CNNs), Vision Transformers (ViTs), and Quantum Variational Layers (QVLs) to detect seizures from EEG scalograms. This model also achieved an accuracy of 99.0% and an F1-score of 0.990 when evaluated on the CHB-MIT and Bonn datasets. Comprehensive assessments, including training stability and feature separability, underscore the effectiveness of the hybrid model, highlighting the potential of quantum-enhanced learning in improving diagnostic methodologies for epilepsy.
Introduction
The introduction of the paper addresses the significant challenges posed by neurological disorders, particularly epilepsy, which affects millions globally. Epileptic seizures result from abnormal electrical discharges in the brain, severely impacting quality of life and potentially leading to long-term neurological issues. The electroencephalogram (EEG) is highlighted as the primary tool for monitoring brain activity due to its non-invasive nature and high temporal resolution. However, the non-linear and non-stationary characteristics of EEG recordings complicate the accurate identification of seizure states. Traditional signal processing and machine learning techniques have shown some effectiveness but are limited by the complex nature of EEG signals and the difficulty in defining robust features.
The paper emphasizes the need for advanced computational frameworks to better model EEG dynamics, particularly through hybrid quantum-classical learning paradigms, which offer enhanced representational capacity and computational efficiency. Despite the success of deep learning models like convolutional neural networks (CNNs) and recurrent neural networks (RNNs) in seizure detection, their performance is often hindered by the need for large datasets and extensive tuning, as well as their inability to capture higher-order dependencies in EEG data. The introduction of quantum-enhanced neural computation is proposed as a promising approach to improve seizure detection reliability by leveraging nonclassical correlations in high-dimensional EEG data. Additionally, the Continuous Wavelet Transform (CWT) is noted for its effectiveness in analyzing non-stationary EEG signals, providing a joint time-frequency representation of neural activity.
Methods
The section outlines the experimental methodology employed to validate the Binary Hybrid QViT Seizure Detection Framework, which utilizes EEG scalograms derived from the CHB-MIT and Bonn datasets. The primary objectives of the experiments were to evaluate the model’s generalization, performance, and interpretability. This was achieved through analyses of training dynamics, calibration reliability, and classification accuracy. The model’s discriminative capacity was assessed using Receiver Operating Characteristic (ROC) curves, Precision-Recall curves, and probability distribution analyses. Additionally, t-SNE visualizations were employed to examine feature separability within the learned feature space. Comparative evaluations against existing state-of-the-art models indicated that the proposed hybrid framework exhibited superior performance in terms of accuracy, robustness, and clinical applicability for seizure detection.
The experimental setup involved preprocessing EEG scalograms from the CHB-MIT and Bonn datasets, where Continuous Wavelet Transform (CWT) was applied to convert EEG recordings into 2D time-frequency representations, subsequently represented as RGB scalogram images. To ensure high signal quality, normalization of features and artifact rejection were conducted. The hybrid QViT architecture integrates a convolutional neural network (CNN) for low-level spatial-temporal feature extraction, a Vision Transformer (ViT) for high-level global pattern representation, and a Quantum Variational Layer (QVL) to enhance the learning of discriminative features and non-linear decision boundaries. The model was trained using the AdamW optimizer with a learning rate of $2 \times 10^{-4}$, label smoothing of 0.08, and a ReduceLROnPlateau scheduler over 20 epochs, with an 80% training and 20% testing split, incorporating early stopping to mitigate overfitting.
Discussion
The discussion highlights the efficacy of Continuous Wavelet Transform (CWT) in analyzing EEG signals for epileptic seizure detection, emphasizing its ability to preserve both temporal and spectral information. CWT-based scalograms are particularly adept at capturing transient neural events and high-frequency oscillations, which are critical for identifying seizure patterns. The integration of CWT-derived features into learning models enhances interpretability and robustness, facilitating accurate seizure classification. The proposed Hybrid Quantum-Classical Neural Framework (HQCNF) aims to leverage these advantages by combining CWT with quantum machine learning techniques, which utilize principles like superposition and entanglement to improve feature separability and generalization in high-dimensional data.
The HQCNF demonstrates significant advancements in seizure detection, achieving classification accuracies of up to 99%. It addresses key challenges in EEG analysis, such as noise, class imbalance, and inter-subject variability, by employing a hybrid architecture that integrates classical deep learning with quantum components. This approach not only enhances the model’s performance but also provides a scalable solution for real-time clinical applications. The study underscores the potential of hybrid quantum-classical systems to revolutionize neurodiagnostic frameworks, offering a pathway toward more accurate and interpretable seizure detection methodologies that can be effectively deployed in clinical settings.