图神经网络揭示基于强化的运动学习中的几何神经表征

基于摘要分析。该研究关注基于强化的运动学习如何影响运动规划阶段的 EEG 活动，利用 Graph Neural Networks（GNN）建模 EEG 通道之间的空间关系，并通过任务特定对称性设计预训练策略，探索与运动学习及反馈处理相关的几何神经表征。研究对象是自然情境下运动学习中的脑活动组织方式，而非已验证的 BCI 控制系统。 核心机制是将 EEG 通道的图结构用于捕捉脑活动的空间关系，并借助任务空间中的对称性构造不同预训练策略。作者报告，这些策略在所有参与者群体中均改善了模型表现；但摘要未给出具体预测任务、评价指标、对照基线及数值，因此不能据此判断改善幅度或跨被试泛化能力。图结构、GNN 架构、预训练目标及具体变换尚未验证。 作者报告，基于图结构的可解释性分析发现了跨预训练条件保持一致的群体特异性神经特征，提示与运动学习及反馈处理有关的几何结构具有一定稳定性。作者还报告，这些模式对部分任务空间变换具有部分不变性，同时保留对个体学习策略的特异性。这里的部分不变性不等于对任意任务、通道布局或被试变化均具有鲁棒性；可解释性结果也不能直接升级为因果机制证据。 摘要强调实验兼顾受控研究与生态有效情境，但未提供任务细节、参与者数量与分组依据、EEG 采集和预处理流程、训练测试划分。实验协议、消融及统计信息尚未验证，复现时需核对群体特征的一致性如何量化，以及任务空间变换是否保留目标标签的含义。 平台推测（待验证）：若相关对称性在目标任务中成立，通道图建模与对称性预训练可能为 EEG 表征学习提供可复用模块；迁移时需重新定义电极图、任务变换和预训练目标。低信噪比、跨被试差异、通道配置变化及小数据可能破坏这些不变性。一个可检验的小实验是在固定数据划分下，对比相同 GNN 的无预训练与对称性预训练版本，检查目标任务表现及图解释的稳定性，避免将群体差异解释为通用解码增益。相关 EEG 工作尚未检索确认。