GraM-Diff：用于基于 EEG 的阿尔茨海默病数据生成与诊断的统一 Graph–Mamba 扩散框架

基于摘要分析。该研究针对阿尔茨海默病（AD）EEG 诊断中临床数据量小、类别不平衡的问题，提出 GraM-Diff，通过统一的分类器引导 Graph–Mamba 扩散框架生成健康与病理 EEG，用于数据增强及下游诊断。主要研究对象是 AD EEG 合成与分类，而非 BCI 控制任务。 机制上，框架在扩散 U-Net 中嵌入 Graph Convolutional Networks，以建模电极间连接；使用 Bidirectional Mamba 状态空间模块，以线性复杂度建模长程时间依赖。潜在空间分类器引导使同一模型在共享表示中生成健康与病理 EEG，意在避免按类别分别训练生成模型的流程。摘要未说明电极图的构建方式、潜在表示的获得方式、引导目标、损失函数及具体训练与采样设置，这些细节尚未验证。 作者报告，在四个基于 EEG 的 AD 基准上，合成数据增强改善了分类表现；相较于生成基线，Context-FID 和相关性指标更优，并在数据稀缺条件下提升了鲁棒性。摘要未提供基准名称、被试数、类别分布、划分协议、基线名称或具体数值，因此尚不能判断这些收益适用于被试内还是跨被试评估，也不能据此比较提升幅度。 复现时需核对真实数据与合成数据的使用边界、生成器及引导分类器的训练数据划分，以及测试被试是否独立；还需检查图建模、Bidirectional Mamba 和分类器引导各自的贡献。实验协议、消融及统计信息尚未验证；代码、权重与数据可获得性也未由材料确认。当前证据支持将其作为 AD EEG 数据增强方法进一步审阅，不支持将其分类收益直接推广至其他 EEG 或 BCI 任务。