DOI: https://doi.org/10.1038/s41598-026-41636-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41826524
تاريخ النشر: 2026-03-13
المؤلف: RuYi Wang وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم هذه القسم نظرة عامة على التحديات المرتبطة بتشخيص الصرع، وهو اضطراب عصبي مزمن يؤثر بشكل كبير على الحياة اليومية للمرضى. يبرز أهمية تخطيط الدماغ الكهربائي (EEG) كأداة تشخيصية، مشيرًا إلى أن الأبحاث الحالية تركز بشكل أساسي على مجال الزمن لإشارات EEG بينما تعالج بشكل غير كافٍ مجال التردد. غالبًا ما تؤدي هذه القيود إلى تكامل غير كافٍ لمعلومات الزمن والتردد.
لمعالجة هذه النواقص، يقدم البحث نهجًا جديدًا يسمى شبكة الانتباه المتقاطع للزمن والتردد (TFCANet)، والتي تستخدم آلية انتباه متبقية. تهدف هذه الشبكة إلى تعزيز استخراج معلومات شاملة عن مجال التردد وتحسين دمج بيانات الزمن والتردد، مما يعزز القدرات التشخيصية للصرع وربما اضطرابات الدماغ الأخرى.
مقدمة
تناقش مقدمة البحث الصرع، وهو اضطراب عصبي مزمن يتميز بنوبات متكررة بسبب تفريغات عصبية غير طبيعية. تشير منظمة الصحة العالمية إلى أن الصرع يؤثر على أكثر من 50 مليون فرد على مستوى العالم، مع تشخيص حوالي 2.4 مليون حالة جديدة سنويًا، مما يبرز انتشاره عبر جميع الفئات العمرية.
تستخدم الدراسة مجموعتين متميزتين من بيانات EEG: مجموعة بيانات أحادية القناة من جامعة بون ومجموعة بيانات متعددة القنوات من مسابقة 2024 كاجل HMS-HarmfulBrainActivityClassification. تتكون مجموعة بيانات بون من خمس مجموعات (A، B، C، D، وE) تحتوي كل منها على 100 مقطع EEG أحادي القناة، تم تسجيلها بمعدل أخذ عينات قدره 173.61 هرتز. تشمل المجموعتان A وB تسجيلات من متطوعين أصحاء، بينما تحتوي المجموعات C وD وE على بيانات من المرضى، حيث تلتقط المجموعة C النشاط من الحصين المقابل وتلتقط المجموعة D من المنطقة الصرعية، وكلاهما تم تسجيله بين النوبات. تركز المجموعة E بشكل خاص على نشاط EEG أثناء النوبات. تهدف مسابقة HMS إلى تصنيف أشكال مختلفة من النشاط الدماغي الضار، بما في ذلك النوبات والتفريغات الدورية، عبر ستة نتائج تصنيف.
طرق
في هذا القسم، يصف المؤلفون مجموعات البيانات والإعدادات التجريبية المستخدمة لتقييم أداء TFCANet. تم إجراء التجارب على مجموعتين متميزتين من البيانات: مجموعة بيانات HMS المأخوذة من كاجل ومجموعة بيانات جامعة بون. يقدم المؤلفون نظرة شاملة على مجموعات البيانات، بما في ذلك خصائصها وإجراءات المعالجة ومعلمات التدريب، ومقاييس التقييم المستخدمة لقياس فعالية TFCANet. هذا الإطار المنهجي ضروري لفهم النتائج والاستنتاجات اللاحقة المستخلصة من التجارب.
مناقشة
تؤكد قسم المناقشة في البحث على الحاجة الملحة للأدوات الآلية في الكشف عن الصرع بسبب الطبيعة غير المتوقعة للنوبات والمخاطر المرتبطة بالوفيات. تعتبر الطرق التشخيصية التقليدية، التي تعتمد بشكل أساسي على تخطيط الدماغ الكهربائي (EEG)، تستغرق وقتًا طويلاً وتعرضت للأخطاء البشرية، مما يبرز الحاجة الملحة لحلول آلية متقدمة. يقترح المؤلفون شبكة جديدة للانتباه المتقاطع للزمن والتردد (TFCANet) التي تدمج ميزات مجال الزمن والتردد من خلال آلية انتباه متقاطع، مما يعزز بشكل كبير دقة التشخيص. تسمح مرونة النموذج بمعالجة مدخلات EEG بأطوال وقنوات متنوعة، مما يعالج قيود المنهجيات الحالية.
تظهر TFCANet أداءً متفوقًا في التجارب المقارنة، حيث تحقق دقة قدرها 96.15% على مجموعة بيانات HMS و93.63% على مجموعة بيانات جامعة بون. تشير النتائج إلى أن النموذج المقترح يتفوق على الأساليب التقليدية ذات الفرع الواحد وتؤكد أهمية دمج الميزات متعددة الأنماط في التقاط الديناميات المعقدة لإشارات EEG. تؤكد النتائج فعالية وحدة SE-Residual وآلية TFCA في تحسين أداء النموذج، مما يشير إلى أن الأبحاث المستقبلية يجب أن تستكشف تقنيات دمج أكثر تعقيدًا تتجاوز التوصيل البسيط لتعزيز قدرات الكشف عن الصرع بشكل أكبر.
DOI: https://doi.org/10.1038/s41598-026-41636-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41826524
Publication Date: 2026-03-13
Author(s): RuYi Wang et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The section provides an overview of the challenges associated with diagnosing epilepsy, a chronic neurological disorder that significantly affects patients’ daily lives. It highlights the importance of electroencephalography (EEG) as a diagnostic tool, noting that existing research predominantly focuses on the time domain of EEG signals while inadequately addressing the frequency domain. This limitation often results in insufficient integration of time and frequency information.
To address these shortcomings, the paper introduces a novel approach called the Time-Frequency Cross-Attention Network (TFCANet), which utilizes a residual attention mechanism. This network aims to enhance the extraction of comprehensive frequency domain information and improve the fusion of time and frequency data, thereby advancing the diagnostic capabilities for epilepsy and potentially other brain disorders.
Introduction
The introduction of the paper discusses epilepsy, a chronic neurological disorder characterized by recurrent seizures due to abnormal neuronal discharges. The World Health Organization reports that epilepsy affects over 50 million individuals globally, with approximately 2.4 million new cases diagnosed annually, highlighting its prevalence across all age groups.
The study employs two distinct EEG datasets: a single-channel dataset from the University of Bonn and a multi-channel dataset from the 2024 Kaggle HMS-HarmfulBrainActivityClassification competition. The Bonn dataset consists of five sets (A, B, C, D, and E) with 100 single-channel EEG segments each, recorded at a sampling rate of 173.61 Hz. Groups A and B include recordings from healthy volunteers, while Groups C, D, and E contain data from patients, with Group C capturing activity from the contralateral hippocampus and Group D from the epileptogenic zone, both recorded between seizures. Group E specifically focuses on EEG activity during seizures. The HMS competition aims to classify various forms of harmful brain activity, including seizures and periodic discharges, across six classification outcomes.
Methods
In this section, the authors describe the datasets and experimental settings used to assess the performance of TFCANet. The experiments were conducted on two distinct datasets: the HMS dataset sourced from Kaggle and the University of Bonn dataset. The authors provide a comprehensive overview of the datasets, including their characteristics, processing procedures, training parameters, and the evaluation metrics employed to measure the effectiveness of TFCANet. This methodological framework is crucial for understanding the subsequent results and conclusions drawn from the experiments.
Discussion
The discussion section of the paper emphasizes the critical need for automated tools in epilepsy detection due to the unpredictable nature of seizures and the associated risks of mortality. Traditional diagnostic methods, primarily reliant on electroencephalography (EEG), are time-consuming and subject to human error, highlighting the urgency for advanced automated solutions. The authors propose a novel Time-Frequency Cross-Attention Network (TFCANet) that integrates time and frequency-domain features through a cross-attention mechanism, significantly enhancing diagnostic accuracy. The model’s versatility allows it to process EEG inputs of varying lengths and channels, addressing the limitations of existing methodologies.
The TFCANet demonstrates superior performance in comparative experiments, achieving an accuracy of 96.15% on the HMS dataset and 93.63% on the Bonn University dataset. The results indicate that the proposed model outperforms traditional single-branch approaches and confirms the importance of multi-modal feature fusion in capturing the complex dynamics of EEG signals. The findings underscore the efficacy of the SE-Residual module and the TFCA mechanism in improving model performance, suggesting that future research should explore more sophisticated fusion techniques beyond simple concatenation to further enhance epilepsy detection capabilities.