解释网络决策为运动想象任务中脑区间因果交互提供洞见

基于摘要分析。该研究针对 EEG 运动想象解码中连接特征方向性不足、连接解释有限的问题，将 spectral Granger causality 估计的有向连接输入 CNN，并使用 DeepLIFT 识别与各解码脑状态相关的重要连接流入与流出，兼顾分类与脑网络分析。 方法上，CNN 从有向连接表示中自动学习频率域与空间域特征，DeepLIFT 则用于解释哪些连接对网络决策更重要。其主要研究价值在于把有向连接估计、CNN 解码和决策解释串联起来，而不只利用非定向连接进行分类。摘要未提供连接张量组织方式、CNN 结构、训练损失或 DeepLIFT 参考输入设置，这些实现条件尚未验证。 作者报告，该方法在运动想象解码中相较既有网络取得最先进性能，并称 DeepLIFT 相关性表示与运动想象时已知的方向性交互相符。摘要未给出数据集、被试数量、被试内或跨被试等评估协议、划分方式、具体指标及对照网络，因此目前无法量化性能优势或判断其适用范围；实验协议、消融及统计信息尚未验证。 解释时需区分预测贡献与因果证据：DeepLIFT 表明连接特征对解码决策的贡献，spectral Granger causality 描述其建模条件下的方向性预测关系，二者不应直接等同于经干预验证的脑区因果作用。阅读全文时可重点核对连接估计条件、EEG 空间混合对方向性解释的影响，以及解释结果在不同被试和数据划分下的稳定性。