近日，华中科技大学伍冬睿教授团队在跨物种及跨模态癫痫检测方向取得重要进展，提出了一种基于重构网络（ResizeNet）的多空间联合对齐（Multi-Space Alignment, MSA）方法，实现了犬类与人类脑电（EEG）信号的跨物种精准迁移，大幅提升癫痫检测性能。该研究成果发表于《国家科学评论》（National Science Review, NSR）。
癫痫是一种常见的神经系统疾病，影响全球约6500万人，同时在犬类等动物中也广泛存在。由于癫痫发作的复杂性和个体差异性，传统诊断依赖长时间EEG监测和专业医师判读，成本高且依赖大量带标签数据。近年来，深度学习方法在癫痫自动检测中取得一定进展，但仍面临带标签数据量少、脑电信号跨被试差异大等关键挑战。
基于犬类癫痫和人类癫痫神经生理特性的高度相似性，该研究提出基于重构网络的多空间联合对齐（ResizeNet+MSA）方法，实现跨物种（犬/人）及跨模态（头皮/颅内EEG）癫痫检测，突破单物种、单模态癫痫检测模型的局限，实现精准迁移。
跨物种异构差异如图1所示，研究中所面临的关键问题如下：
物种/模态间的输入异构性：不同物种的EEG采集方式、电极配置、采样率及信号特性存在显著差异。
物种/模态间的特征分布差异：即使输入异构得到缓解，不同物种及模态的EEG特征分布仍存在偏移，影响模型泛化能力。
目标物种/模态标注数据稀缺：在临床应用中，目标物种的EEG带标签训练数据极其有限，传统深度学习方法难以有效训练。
图1 输入空间及特征空间的跨物种差异
研究团队分析了犬类与人类EEG信号的跨物种可迁移性，发现两者在癫痫发作期间具有相似的电生理模式，如图2所示：
时域特征：癫痫发作时，犬类和人类的EEG信号均表现出显著波动，表明时序模式的跨物种一致性。
熵特征：犬类和人类的EEG信号在癫痫发作期间近似熵明显增加，表明其物种间一致性。
频域特征：傅里叶变换后的功率谱密度分析显示，癫痫发作时，不同物种的EEG在多个频段均出现功率增强，体现了跨物种频域特征的可迁移性。
图2 时域、能量、频域的跨物种相似性
针对跨物种EEG迁移的核心挑战，该研究构建了输入-特征-输出空间联合对齐机制，实现癫痫检测的精准跨物种迁移，如图3所示：
输入空间对齐：提出ResizeNet网络结构，在通道维度对齐不同物种的原始EEG数据，消除跨物种电极配置的异构差异，并结合欧氏对齐进一步降低输入空间差异。
特征空间对齐：基于域适应，减小跨物种特征分布偏移。
输出空间对齐：基于知识蒸馏，提升模型对目标物种重构信号的预测稳定性。
图3 基于重构网络的多空间联合对齐框架
在四个临床EEG数据集（Kaggle、Freiburg、CHSZ、NICU）上验证了ResizeNet+MSA方法的有效性：
目标域带标签数据不足5% 的情况下，跨物种癫痫检测AUC达92.8%，相比单物种基准提升18.7%。
目标物种无任何带标签数据时，ResizeNet+MSA仍能实现85.4%的准确率，相比无对齐方法提升17%。
通过ResizeNet消除输入异构差异，保留了关键的信号特征，如图4所示。
使用ResizeNet+MSA后，来自不同物种的同一类别在特征空间更加靠近，不同类别则相互远离，显示了方法的有效性，如图5所示。
图4 ResizeNet前后脑电信号保留了关键的 (a) 时域、(b) 能量及(c) 空域特性
图5 对齐前后的特征分布，其中ResizeNet+MSA方法实现最好的对齐效果，三个任务上不同颜色（物种）的相同形状（类别）更加接近，不同形状互相远离
本研究首次证明犬类EEG可辅助人类癫痫检测，并提出了一种有效的跨物种迁移学习框架，揭示了脑电的跨物种可迁移性，为增加脑电解码大模型的训练数据量提供了新思路。跨物种迁移可显著降低对人类癫痫EEG带标签数据的依赖，为癫痫自动检测提供新的解决方案。在数据层面，未来研究可扩展至更多物种及模态；在应用层面，可进一步拓展至其他神经系统疾病。
华中科技大学博士研究生王紫薇为该论文第一作者，博士研究生李思扬为第二作者，伍冬睿教授为该论文通讯作者。该工作得到了科技创新2030-脑科学与类脑研究“基于神经计算机制的多时间尺度连续学习算法”项目支持。
论文信息（阅读原文直达）：
Canine EEG Helps Human: Cross-Species and Cross-Modality Epileptic Seizure Detection via Multi-Space Alignment.
National Science Review https://doi.org/10.1093/nsr/nwaf086
