MHNet：基于静息态 fMRI 诊断神经发育障碍的多视角高阶网络

基于摘要分析。该研究针对静息态 fMRI 神经发育障碍分类中高阶功能网络特征利用不足的问题，提出 Multi-view High-order Network（MHNet），联合欧氏空间与非欧氏空间的多视角特征进行分类。主要研究对象是 ASD、ADHD 等神经发育障碍的影像辅助识别，而非 BCI 解码。 MHNet 包含两条特征提取分支及 Feature Fusion-based Classification（FFC）模块。Euclidean Space Features Extraction（ESFE）分支通过 Functional Connectivity Generation（FCG）和 High-order Convolutional Neural Network（HCNN），提取脑功能网络的局部与高阶特征；Non-Euclidean Space Features Extraction（Non-ESFE）分支通过 Generic Internet-like Brain Hierarchical Network Generation（G-IBHN-G）和 High-order Graph Neural Network（HGNN），提取层级网络中的拓扑与高阶特征，最后由 FFC 融合分类。摘要未说明高阶关系的数学定义、层级网络构造细节、融合操作或训练损失，尚不能确定各模块的具体实现。 作者报告，在三个公共数据集上，使用 AAL1 和 Brainnetome Atlas 模板时，MHNet 的表现优于所比较的先进方法；作者还报告消融实验支持多视角 fMRI 信息与高阶特征的有效性，并讨论关键脑区与神经发育障碍的关联。摘要未提供数据集名称、被试数量、数据划分、对照方法名称及具体指标，因此无法量化增益，也不能判断结果对跨站点或独立人群的泛化程度。 复现时需核对 fMRI 预处理、脑区模板与功能连接构造方式、层级图生成规则，以及两分支各自和融合后的收益；实验协议、消融及统计信息尚未验证。摘要不足以将其脑区关联解释为因果机制，也不足以支持临床部署结论。该方法依赖 fMRI 脑区功能网络，迁移至 EEG 所需的节点、连接及层级定义均未得到材料支持，因此不据此推断 EEG 或 BCI 性能。