用于脑龄估计的脑网络有符号曲率图表示学习

基于摘要分析。该研究针对 sMRI 脑网络的脑龄估计，提出 Signed Curvature GNN（SCGNN），通过结合节点特征与曲率的图重连、有符号曲率卷积和图池化，缓解消息传递 GNN 的过度压缩（over-squashing），改善远距离节点的信息交互与脑网络拓扑表示。研究主要对象是结构脑影像及脑龄预测，并非 EEG 解码或 BCI 控制。 方法包含三个模块：Mutual Information Ollivier-Ricci Flow（MORF）在负曲率最小的边的邻域内，依据节点特征间的最大互信息添加连接；Signed Curvature Convolution（SCC）根据正、负曲率聚合节点特征；Ollivier-Ricci Gradient Pooling（ORG-Pooling）结合曲率梯度与注意力机制，选择关键节点及拓扑结构，形成用于脑龄估计的全局表示。其方法特点是同时利用节点特征与曲率进行图重连，并区分正负曲率的几何作用，而非仅依据图结构调整连接。 作者报告，在六个公开 sMRI 数据集、年龄范围为 18–91 岁的实验中，该方法相较现有方法取得有竞争力的表现；作者还利用预测脑龄与实际年龄的差值识别 Alzheimer's Disease（AD），并报告在其比较范围内取得最佳分类表现。摘要未提供数据集名称、样本量、划分方式、具体基线、脑龄误差或分类指标，因此不能量化性能增益，也不能判断跨数据集泛化能力。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 表示为具有节点特征的脑网络，特征驱动重连与曲率聚合可能用于检验远距离信息传递瓶颈，但原研究并不构成 EEG/BCI 有效性证据。迁移需重新定义节点、边及互信息估计，并检验低信噪比、通道配置和跨被试差异是否使曲率与新增连接不稳定；小样本也可能放大互信息估计误差。一个可检验的小实验是在固定 EEG 任务及跨被试划分下，以相同节点特征比较原始 GNN、仅加入 MORF 和完整 SCGNN，观察收益是否稳定。相关 EEG 工作尚未检索确认。