GCNs-Net：用于解码时间分辨 EEG 运动想象信号的图卷积神经网络方法

基于摘要分析。该研究针对 EEG 运动想象（MI）解码中电极功能拓扑关系利用不足的问题，提出图卷积神经网络 GCNs-Net，将信号相关性构成的电极图用于原始 EEG 分类。核心贡献是用功能关系而非仅依赖电极的欧氏空间结构组织特征学习。 方法机制：作者根据整体信号的绝对 Pearson 相关矩阵构建 EEG 电极的图拉普拉斯矩阵，再通过图卷积层学习特征，池化层降低维度，最终由全连接 softmax 层输出分类预测。绝对相关保留相关强度，但不区分正负相关；这一选择对 MI 解码的影响仍需结合正文及消融核对。摘要未说明图的具体估计范围、是否按被试或数据划分重建，以及时间分辨信号如何组织为模型输入，网络层数、损失与训练配置尚未验证。 结果与评估：作者报告，在 PhysioNet Dataset 上，个体级与群体级预测的平均 Accuracy 分别为 93.06% 和 88.57%；在 High Gamma Dataset 上，相应数值为 96.24% 和 80.89%。作者称这些结果高于所比较既有研究，并报告重复交叉验证中的表现稳定。摘要中的个体级、群体级不能直接等同于 Within-subject 或 Cross-subject 协议；具体被试数量、任务类别、划分方式、对照基线及统计信息尚未验证，因此不能据此确认跨被试泛化优势或直接比较不同数据集的数值。 复现重点：需核对相关矩阵与图拉普拉斯的计算和归一化方式、图构建使用的数据范围、EEG 预处理、输入时间窗及交叉验证流程，并确认代码和训练配置是否可得。作者将结果解释为对个体差异具有适应性与鲁棒性，但这一结论的适用范围仍取决于完整评估协议。