利用图神经网络与结构化状态空间模型建模多变量生物信号

基于摘要分析。该研究针对多变量生物信号中的长程时间依赖与电极间复杂空间相关性，提出 GraphS4mer，将信号表示为随时间变化的图，并结合 Structured State Space 架构与图神经网络进行分类。原论文研究对象包括 EEG 癫痫检测、多导睡眠监测信号的睡眠分期和 12 导联心电图分类，并非直接验证 BCI 解码。 机制上，Structured State Space 架构用于捕获长程时间依赖，图结构学习层用于学习动态演化的图结构，以共同建模时间与空间关系。其可核对的贡献是将这两类机制整合到通用生物信号分类架构中；具体图构建方式、模块连接、损失函数、训练流程与计算开销尚未验证。 作者报告，在 EEG 癫痫检测任务中，相比一个采用自监督预训练的既有 GNN，AUROC 提高 3.1 个百分点；在睡眠分期任务中，相比既有睡眠分期模型，macro-F1 提高 4.1 个百分点；在 12 导联心电图分类中，相比作者所称的既有最先进模型，macro-F1 提高 2.7 个百分点。摘要未提供数据集名称、样本或被试规模、数据划分、绝对分数及统计不确定性，因此这些提升仅能按各自任务和所述对照理解，不能跨任务直接比较。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若某类 BCI 任务同时依赖较长时间上下文和变化的通道关系，该组合可能具有复用价值，但原领域结果不等于 BCI 有效。可复用部分是时间建模与图结构学习模块，需适配 EEG 通道定义、输入窗口和任务监督；低信噪比、跨被试差异、通道缺失及小数据可能使学到的图不稳定或过拟合。一个可检验的假设是：在固定数据划分与训练预算的 EEG BCI 分类实验中，动态图相较固定图能提供独立收益，可通过保持时间模块一致、仅替换图模块进行对照。已有同类机制在 EEG BCI 中的相关工作尚未检索确认。