面向神经元形态的自监督图表征学习

基于摘要分析。该研究关注如何从无标签的三维神经元形态数据中学习低维表征，以辅助分析皮层兴奋性细胞的形态类型及其区分特征。作者提出 GraphDINO，一种面向空间嵌入图的 Transformer 表征学习方法；研究对象是神经元形态，而非 EEG 信号或 BCI 解码。 方法包含三个明确组件：为空间嵌入图设计数据增强策略、调整位置编码，以及引入 AC-Attention。后者将节点间基于注意力的全局交互与经典图卷积处理相结合。摘要未给出增强操作、位置编码公式、自监督目标或具体训练设置，这些机制的实现细节尚未验证。 作者报告，在两个物种、多个脑区的评估中，GraphDINO 得到的形态细胞类型聚类与专家基于人工特征的分类相当，且不依赖预先指定的神经元结构特征；在预测专家标签的定量基准上，作者报告其优于既有方法。摘要未提供物种名称、数据集规模、数据划分、具体基线、指标数值或不确定性，实验协议、消融及统计信息尚未验证。作者将发现新形态特征和细胞类型表述为潜在用途，而非已完成的发现。 平台推测（待验证）：其可复用机制主要适用于每个样本本身就是空间嵌入图、且需要图级表征的任务。若尝试用于 EEG 通道图，可考察位置编码及局部—全局交互模块，但必须重新定义节点时序特征与保留任务信息的增强方式；电极位置图并不等同于神经元形态图，低信噪比、通道配置变化及小样本均可能导致迁移失败。一个可检验的小实验是在固定 Cross-subject 划分、相同输入和训练预算下，对比图卷积、全局注意力及 AC-Attention，并核对增强是否破坏标签语义。该迁移未由本文摘要验证，相关 EEG 工作尚未检索确认。