LGGNet：面向 BCI 的局部—全局图表征学习

基于摘要分析。该研究针对 EEG 中脑功能区域内部及区域之间的活动关系建模，提出受神经科学启发的图神经网络 LGGNet，通过多尺度时间特征提取与局部—全局图表征学习，完成 BCI 相关认知状态分类。 核心机制：输入层采用多尺度一维时间卷积核与卷积核级注意力融合，提取 EEG 时间动态；随后将时间特征送入局部和全局图滤波层。作者使用具有神经生理意义的局部与全局图，分别建模功能区域内部及不同功能区域之间的复杂关系。其方法特色是把脑功能区域先验纳入图结构设计，而非仅使用时间卷积进行分类。具体区域划分、图连接定义、图是否随数据调整，以及损失与训练流程尚未验证。 评估与结果：作者在三个公开数据集上采用嵌套交叉验证，评估 attention、fatigue、emotion 和 preference 四类认知分类任务，并与 DeepConvNet、EEGNet、R2G-STNN、TSception、RGNN、AMCNN-DGCN、HRNN 和 GraphNet 等方法比较。作者报告 LGGNet 优于这些对照方法，且多数比较中的提升达到统计显著性（p<0.05）。摘要未提供具体性能数值、指标名称及各任务对应结果，因此不能据此量化提升幅度，也不能确定结论适用于被试内、跨被试或跨会话设置。 复现与证据边界：摘要提供了源码地址，但代码内容与可运行性尚未验证。复现时需核对数据集及被试信息、嵌套交叉验证的内外层划分、预处理与超参数选择流程、各基线的训练条件，以及显著性检验的具体设置。实验协议、消融及统计信息尚未验证；当前材料支持将该方法视为脑区域先验与多尺度 EEG 表征结合的研究方案，尚不能将所报告结果推广到其他 BCI 任务或在线应用。