用于脑疾病诊断的层级超图学习与功能对齐

基于摘要分析。本文研究 EEG 与 fNIRS 脑疾病诊断中，脑图学习如何处理不同解剖层级之间的交互差异和功能角色差异，提出 HHRA 框架，将层级高阶知识捕获与层级功能角色对齐结合。研究对象是神经生理信号驱动的脑疾病诊断，而非直接的 BCI 控制或意图解码。 作者将问题分为两类：一是脑元素之间的高阶交互随解剖层级变化，若不能捕获各层级特有的交互知识，可能造成不适当的图建模；二是同一脑元素在不同层级上的功能角色不一致，可能产生知识冲突并影响 GNN 的跨层级泛化。 在机制上，Hierarchical High-order Knowledge Capturing（HHKC）通过构建跨层级的成对关系与超图关系，支持多个解剖层级上的联合学习，以捕获层级特异的高阶交互知识。Hierarchical Functional Role Alignment（HFRA）则估计并对齐脑元素在不同层级上的功能重要性，以促进层级之间的知识协调。摘要未给出具体解剖层级定义、关系构建规则、功能重要性估计方式、对齐目标或训练损失，这些实现细节尚未验证。 作者报告，在 EEG 和 fNIRS 数据集上的实验支持 HHRA 的性能优势，但摘要未提供疾病类别、数据集名称、被试数量、划分协议、对照方法或具体指标，因此不能判断该优势适用于被试内、跨被试还是其他评估条件，也不能量化提升幅度。这里的跨层级泛化不能等同于跨被试或跨数据集泛化。实验协议、消融及统计信息尚未验证。 摘要提供了代码地址，但代码可访问性、完整性与复现条件尚未验证。阅读全文时应重点核对层级划分与信号通道的对应关系、超图构建依据，以及 HHKC 和 HFRA 各自的消融结果，以判断性能变化是否确实来自所提出的双重层级异质性处理机制。