基于 EEG 图的脑拓扑建模用于听觉空间注意检测

基于摘要分析。本文针对多通道 EEG 中判别特征提取及通道拓扑关系建模的问题，提出 EEG-Graph Net，用于听觉空间注意检测（ASAD）。其核心贡献是将多通道 EEG 表示为随时间变化的图，通过图卷积与神经网络注意力机制学习与任务相关的通道及通道间关系权重。 在 EEG-Graph 中，每个 EEG 通道对应一个节点，两个通道之间的关系对应一条边。网络以 EEG 图的时间序列为输入，根据信号对 ASAD 任务的贡献学习节点与边的权重，并通过学习到的权重模式进行可视化分析。这里的“脑拓扑”主要通过 EEG 通道的空间信号模式表达，不宜直接等同于已验证的解剖连接或因果功能连接。摘要未说明图的初始化方式、边约束、具体注意力计算、损失函数及训练设置。 作者报告，在两个公开数据库上的实验中，EEG-Graph Net 的解码性能显著优于所比较的先进方法，且相较竞争基线更轻量、更准确；摘要未提供数据库名称、被试数量、解码指标、数值、时间窗或被试内／跨被试等评估协议，因此尚不能量化优势或判断不同使用场景下的泛化能力。实验协议、消融及统计信息尚未验证。 作者报告，学习到的权重模式为脑内连续语音处理提供了线索，并与神经科学研究发现一致。需结合全文核对可视化结果的稳定性、统计依据，以及通道权重是否足以支持所述神经科学解释。 作者认为该架构可迁移至其他 BCI 任务，但摘要未给出对应验证。平台推测（待验证）：通道图及任务相关权重学习可能适用于其他多通道 EEG 解码任务，但需适配任务输出、通道布局和时间结构；低信噪比、被试差异、通道缺失及小样本可能使图权重不稳定。一个可检验的小实验是在固定数据划分与相同训练预算下，比较可学习通道关系、固定通道关系及不使用图关系的模型，并观察性能与权重稳定性。其他任务中的相关 EEG 图方法尚未检索确认。