面向轻度认知障碍研究的双曲空间多模态深度融合

基于摘要分析。本研究针对轻度认知障碍（MCI）与正常对照（NC）的分类问题，提出具有可学习拓扑的图式双曲深度模型，在双曲空间中融合个体结构网络与功能信息。主要贡献是将多模态神经影像融合从欧氏空间拓展至双曲空间，研究脑连接组几何假设对特征表征和疾病分类的影响；研究对象是神经影像辅助分类，而非 BCI 控制或 EEG 解码。 机制与对照：作者以双曲空间可能更适合描述脑连接组为动机，将结构网络与功能信息在非欧氏几何下整合，并比较双曲空间及其欧氏对应表征。摘要明确模型具有可学习拓扑，但未说明拓扑参数化方式、双曲空间具体模型、跨模态交互机制、损失函数或训练流程，这些内容尚未验证。 结果与证据边界：作者报告，在 MCI/NC 分类任务中，与所比较的先进方法相比，该模型的特征表征和分类性能更优。摘要未提供数据集、被试数量、影像模态细节、划分协议、具体基线、指标数值或不确定性，因此无法判断优势幅度及其在独立人群中的泛化能力。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但代码完整性、数据可得性和运行条件尚未核对。 平台推测（待验证）：其可学习图拓扑与几何表征可作为 EEG 通道关系建模的候选机制，但原研究依赖结构网络与功能信息，不能直接视为 EEG 或 BCI 有效性的证据。迁移需重新定义 EEG 图节点、连接估计与输入特征；低信噪比、跨被试差异、通道配置变化及小样本可能使拓扑学习不稳定。可先在固定的跨被试划分下，保持输入、模型容量和训练预算一致，对照欧氏与双曲图表征，检验几何选择是否带来稳定收益。相关 EEG 工作尚未检索确认。