随着人工智能（AI）技术在脑电分析领域取得了令人瞩目的进展，机器学习和深度学习等方法已成功应用于情感识别、脑机接口、神经调控等方向。但是，对于癫痫这种高度复杂且具有显著个体差异的病理现象，AI模型往往需要更丰富的网络表征与跨尺度数据支撑。如果缺少对不同频带与多时间窗下脑网络结构的精细刻画，单一尺度的特征输入可能难以反映发作前后的动态变化，也会影响AI算法在发作预测与诊断中的准确性和稳定性。这使得如何跨越多个频带并结合不同的时间窗深度分析网络结构，成为当前癫痫这一神经病变研究的重要挑战。

对此，复旦大学信息科学与工程学院韩定定教授团队提出脑神经网络构建的多尺度信息融合（Multi-Scale Information Fusion, MSIF）框架，面向癫痫脑电（EEG）信号，在多频带、多时间窗与多种网络构建手段上实现信息融合，显著提高对癫痫发作前、中、后期脑网络重构的敏感度与准确度。此项研究为基于复杂网络理论的癫痫检测和监测提供了新的技术思路，展示了多尺度网络融合手段在神经科学与临床医学中的应用潜力，强调人工智能技术在网络重构方面的巨大潜力。该研究成果于2025年2月8日发表在ELSEVIER旗下的Physica A: Statistical Mechanics and its Applications。

图1 多尺度信息融合（MSIF）框架工作流概述

文章链接：https://doi.org/10.1016/j.physa.2025.130415