用于运动想象 EEG 分析的多层级分层动态图卷积网络

基于摘要分析。本文研究运动想象 EEG 中不同功能模块的通道连接建模，提出 Multi-level Hierarchical Dynamic GCN（MHD-GCN），以联合刻画全局动态连接与局部功能依赖。其核心贡献是将时空注意力、多层级小波卷积和分层图表示学习结合，而非仅使用单一层级的功能连接模式。 方法上，时空注意力模块用于捕捉 EEG 中关键序列片段及空间位置信息；多层级小波卷积块从相应子频带提取不同频谱特征。随后，模型在预构建的拓扑空间中进行表示学习，采用两个分支分别探索全局动态信息与局部功能信息，并在各分支中利用多层级邻接矩阵增强 GCN 的特征表达能力。摘要未说明功能模块划分、拓扑构建规则、邻接矩阵的动态更新方式，以及训练损失和具体网络配置，这些实现细节尚未验证。 作者报告，在公开数据集上开展了实验，并称该方法在 Physionet 数据集上的表现优于所比较的先进方法。摘要未提供具体指标、数值、对照方法或被试内、跨被试等评估协议，因此尚不能判断优势幅度及泛化范围，也不能据此与其他协议下的结果直接比较。实验协议、消融及统计信息尚未验证。 作者还报告进行了可解释性分析，识别出与运动相关的活跃脑区和重要电极对。这些结果可作为核对模型所利用空间关系的线索，但摘要不足以判断解释结果的稳定性或生理对应关系。复现需进一步确认数据预处理、子频带设置、功能模块与图结构定义、数据划分及训练配置；代码可用性尚未验证。