帕金森病(PD)作為全球第二大神經退行性疾病，影響著數百萬患者的運動功能和生存質量。目前臨床診斷主要依賴運動癥狀觀察，但此時患者多巴胺神經元已損失60%以上。腦電信號(EEG)雖能反映早期神經活動異常，卻面臨信號復雜、個體差異大等挑戰。傳統機器學習方法在特征提取和模型泛化能力上存在局限，亟需開發更精準的智能診斷系統。

針對這一難題，研究人員開發了一種創新性的多尺度深度學習框架。該研究首先整合了多源EEG數據，通過自動編碼器(AE)挖掘深層特征，并結合波特征、時空特征等傳統特征構建多維特征空間。核心創新在于提出的多尺度加權特征殘差卷積長短期記憶網絡(MWF-RconvLSTM)，該模型通過不同卷積尺度分別處理各類特征，并引入改進的增強孔雀優化算法(EPOA)動態優化特征權重。實驗表明，該模型準確率達94.97%，較傳統方法提升4-15個百分點。

關鍵技術包括：1)從EEG信號提取波特征、時空特征和譜特征；2)使用AE提取深度特征；3)構建MWF-RconvLSTM多尺度處理架構；4)開發EPOA算法優化特征權重；5)采用標準EEG數據集進行模型驗證。

【研究結果】

1. 特征提取
   從EEG信號_d^m中成功提取五類特征：波特征反映信號波形特性，時空特征捕捉神經活動動態變化，譜特征分析頻率成分，空間特征定位異常腦區，AE提取的深度特征則挖掘潛在模式。

2. 模型開發
   MWF-RconvLSTM通過殘差連接緩解梯度消失，ConvLSTM層同時捕捉空間和時間依賴性。EPOA通過改進隨機數生成機制，使權重優化后的MCC(Mathews相關系數)提升12.6%。

3. 性能驗證
   在相同數據集上，EPOA-MWF-RconvLSTM(94.97%)顯著優于DMO-MWF-RconvLSTM(80.02%)、BFGO-MWF-RconvLSTM(88.49%)等對比模型，且對噪聲干擾表現出更強魯棒性。

【結論與意義】
該研究首次將多尺度加權特征與殘差ConvLSTM結合用于PD檢測，通過EPOA算法實現特征自適應加權，解決了EEG信號異質性難題。臨床價值在于：1)為PD早期診斷提供客觀量化工具；2)模型可解釋性強，有助于發現PD相關生物標志物；3)框架可擴展至其他神經疾病檢測。未來可結合多模態數據進一步提升性能，推動精準神經病學發展。論文發表于《Biomedical Signal Processing and Control》，為智能醫療領域提供了重要方法論參考。