量子纠缠特征选择与脉冲图变换器网络在儿童行为标志物早期检测中的应用

《Frontiers in Behavioral Neuroscience》：Quantum-entangled feature selection and spiking graph transformer networks for early detection of childhood behavioral markers

　　

摘要 研究人员提出一种量子变分特征选择—脉冲图变换器网络(QVFS-SGTN)，用于基于腕部可穿戴加速度计数据的儿童行为状态早期检测。任务被定义为三分类问题，包括睡眠(Sleep)、清醒(Wake)和过渡(Transitional)状态。该混合量子—神经形态计算框架结合参数化量子电路的特征选择器，以识别传感器信号中的非线性及纠缠相关性，并将筛选后的特征输入脉冲图变换器网络(SGTN)，通过事件驱动的自注意力机制与神经形态神经元动力学建模时间依赖关系。实验采用儿童心理研究所(Child Mind Institute)可穿戴数据集，并在外部多族裔动脉粥样硬化研究(MESA)睡眠数据集上进行跨数据集验证。结果表明，QVFS-SGTN在主要数据集上的准确率为0.968，F1值为0.968，AUC为0.991；在高斯噪声干扰下准确率保持在92%以上；相比传统深度学习模型，计算能耗降低40–55%；在未微调情况下跨数据集准确率达0.931，表现出较强的泛化能力。该方法有效解决了现有深度学习模型在特征冗余、噪声敏感性、高能耗及长期可穿戴部署方面的局限，为儿科行为监测提供了一种高效、稳健且可扩展的解决方案。

论文解读

研究背景与意义

儿童行为健康早期识别对神经发育障碍（如自闭症谱系障碍(ASD)与注意缺陷多动障碍(ADHD)）的及时干预至关重要。可穿戴腕部加速度计可提供客观的行为调节指标，尤其是睡眠—觉醒动态，这些指标与儿童的昼夜节律稳定性及情绪调节密切相关。然而，现有深度学习方法在特征冗余、传感器噪声敏感性、高计算能耗及跨人群泛化能力不足等方面存在明显局限，限制了其在长期真实世界监测中的应用。为此，研究人员在《Frontiers in Behavioral Neuroscience》发表本研究，旨在融合量子增强特征选择与神经形态脉冲图建模，实现高精度、低能耗且鲁棒的儿童行为状态检测。

关键技术方法

研究基于儿童心理研究所提供的三轴加速度计数据集，包含x(t)、y(t)、z(t)信号以及衍生特征角位(AngleZ)与欧氏范数减一(ENMO)。数据按5分钟滑动窗口分割，50%重叠，采用Z-score归一化，并按受试者独立划分为训练集(70%)、验证集(15%)与测试集(15%)。特征选择阶段采用量子变分特征选择器(QVFS)，通过参数化量子电路(PQC)将经典特征映射至高维希尔伯特空间，利用量子相关性度量(QRM)筛选最具判别性的特征。随后，特征被构建为时间演化图，节点代表时间窗口，边权重由高斯相似核确定，并输入脉冲图变换器网络(SGTN)。SGTN采用漏积分发放(LIF)神经元模型生成离散脉冲序列，并通过脉冲自注意力(SSA)机制捕获长程时间依赖。训练中使用Adam优化器、Dropout(0.3)及L2正则化，并实施早停策略。噪声鲁棒性评估通过添加高斯与拉普拉斯扰动实现，跨数据集验证直接在外部MESA数据集上零样本迁移测试。

研究结果

4.1 探索性数据分析与基础

加速度计信号显示AngleZ反映姿势变化，ENMO反映运动强度，二者互补性强。预处理策略有效去除受试者偏差并保持时间连续性。

4.2 特征依赖与类别分布分析

皮尔逊相关矩阵揭示特征间线性依赖弱，支持QVFS在捕捉非线性纠缠关系的必要性。行为状态分布均衡，有利于过渡状态的稳定学习。

4.3 量子特征选择分析

QVFS显著提升特征间平均绝对相关性至0.63（皮尔逊为0.18），最大非对角相关达0.98，统计显著(p<0.01)。PQC优化快速收敛，最终特征排序中AngleZ与ENMO的选择概率超过0.85，符合睡眠科学共识。

4.4 神经形态动态与图拓扑分析

LIF神经元栅图显示清醒期密集异步发放，睡眠期稀疏节律发放，体现能量效率。脉冲自注意力权重在行为转换点显著升高，图拓扑形成清醒与睡眠两类簇，边界稀疏连接，兼顾噪声平滑与过渡保留。

4.5 性能比较与鲁棒性分析

QVFS-SGTN在准确率(0.968±0.003)、F1值(0.968±0.003)、AUC(0.991±0.002)上均优于TA-GCN、DeepSleepNet、Bi-LSTM与1D-CNN。噪声测试中，即便在σ=0.30的高斯噪声下仍保持92%以上准确率。混淆矩阵显示过渡状态分类精度达0.90，优于基线。PR与ROC曲线进一步验证其高判别力。训练收敛快且稳定。

4.6 组件贡献分析

移除QVFS导致F1降至0.944，替换为标准Transformer降至0.949，表明量子特征选择与脉冲神经形态处理均不可或缺。

4.7 超参数敏感性分析

量子层数3、图相似阈值0.5、脉冲阈值1.0、注意力头数4为最优配置，平衡性能与计算成本。

4.8 能耗与计算效率分析

SGTN采用脉冲累加操作(SOP)，推断能耗较传统MAC操作降低40–55%，适合长期可穿戴部署。

4.9 计算复杂度分析

QVFS复杂度约O(L·d)，脉冲自注意力复杂度O(S²·d)，其中S?T，显著降低运算负荷。

4.10 跨数据集泛化分析

在未微调条件下，MESA数据集上准确率为0.931，F1为0.928，AUC为0.974，证明模型学到的是生理相关而非数据特有模式。

讨论与结论

讨论部分指出，QVFS-SGTN在三分类任务中的表现优于现有临床常用算法与已发表模型，尤其在过渡状态检测上优势明显。量子组件的非线性相关捕获能力与脉冲注意力的事件驱动特性共同提升了噪声鲁棒性与跨人群泛化能力。能耗分析显示其在可穿戴硬件部署方面潜力显著。研究局限包括量子模块尚未在真实NISQ硬件运行、能耗为分析估计未实测、跨数据集验证仅限MESA。未来工作建议在 neuromorphic 芯片（如Intel Loihi）上实测能耗，并在多中心儿科队列中验证，同时优化实时边缘部署。

结论部分总结认为，QVFS-SGTN通过量子特征选择与脉冲图变换器的融合，实现了高精度、高能效、强鲁棒性的儿童行为监测，为可穿戴医疗提供了可扩展的新范式。