基于联邦学习与统一Transformer模型的癫痫脑电信号检测新方法及其在隐私保护下的卓越性能

　　本研究针对癫痫检测中数据隐私保护与时空特征提取的难题，提出了一种融合Paillier同态加密的联邦学习框架与统一Transformer模型。通过多尺度小波系数分解和混合图注意力机制，有效提取EEG信号的时空特征，在三个数据集上实现了98.91%的准确率、98.93%的安全性与98.82%的精确度，为医疗数据协同学习提供了安全高效的解决方案。

　　

癫痫(Epilepsy)作为一种慢性神经系统疾病，其特征是脑部异常活动引发的反复性发作，严重影响患者健康与生活质量。传统癫痫检测方法面临数据隐私安全与脑电图(Electroencephalogram, EEG)信号时空特征捕捉不足的双重挑战。

为解决以上问题，研究人员开发了一种基于联邦学习(Federated Learning)与Paillier同态加密(Homomorphic Encryption)的协作训练框架，在保护数据隐私的同时实现多中心模型协同优化。预处理阶段采用自适应噪声过滤与独立成分分析(Independent Component Analysis, ICA)去除信号噪声与伪影，并通过多尺度小波系数(Multi-Scale Wavelet Coefficient)分解将EEG信号解析为多个子频带，以有效提取发作相关特征。

模型核心采用混合图注意力框架(Hybrid Graph-Based Attention Framework)，整合边缘增强图卷积网络(Edge-Enhanced Graph Convolutional Networks)用于空间特征提取，以及谱图注意力机制(Spectral Graph Attention)进行频域特征选择，进一步优化特征表征能力。最终通过统一Transformer模型(Unified Transformer)同步捕捉EEG信号的时空依赖关系，完成癫痫发作分类。

该模型在三个独立数据集上验证显示：总体准确率达98.91%，安全性98.93%，精确度98.82%。实验结果表明，该联邦学习驱动的统一Transformer模型在性能上显著优于现有基线方法，为医疗健康领域的协同学习提供了兼顾隐私保护与精准诊断的创新方案。