SlepNet：面向神经动态的谱子图表征学习

基于摘要分析。该研究针对图上神经信号的时空模式难以局部化表征的问题，提出以 Slepian 基替代图傅里叶谐波的 GCN 架构 SlepNet。主要研究对象是 fMRI 神经活动及交通动态数据，而非 EEG 或在线 BCI 解码。 核心机制是通过自动学习的掩码确定相关子图，再利用 Slepian 谐波将信号能量最优集中于这些子图。作者认为，相比基于图傅里叶变换的表示，该机制更适合捕捉空间或频谱局部模式；相比小波表示，则旨在提供规范且更严格局限于子图的表示。掩码的学习目标、图构建方式、谱带宽设定及训练细节尚未验证。 作者报告，在覆盖认知与视觉任务的三个 fMRI 数据集和两个交通动态数据集上，SlepNet 均优于所比较的常规 GNN 与图信号处理基线；摘要未提供数据集名称、划分协议、具体指标或数值。作者还报告，其表征能更细致地区分相近信号模式，将脑信号瞬态表示为信息丰富的轨迹，并可用于其他未经专门训练的下游任务；这些任务的定义、是否使用额外监督及评估条件尚未验证。实验协议、消融及统计信息需查阅全文核对。 平台推测（待验证）：若 EEG 可构建具有稳定生理意义的通道图，局部能量集中的机制可能有助于表征局部时空活动，但这仅是假设。可复用部分是子图掩码与 Slepian 基表示，需改造图构建及时间处理模块；低信噪比、容积传导、跨被试通道差异和小数据可能使掩码追踪伪相关。一个可检验的小实验是在固定 EEG 数据划分、通道图和训练预算下，仅替换图傅里叶基与 Slepian 基，比较同一下游任务表现及掩码稳定性。已有 EEG 相关工作尚未检索确认。