SS-DBNet：从 EEG 学习跨被试共享稀疏有向脑网络的任务驱动框架

基于摘要分析。该研究面向 EEG 有向脑网络建模，尝试联合利用时间、频谱与空间信息，学习具有任务判别力的通道间有向依赖，以及跨被试共享的稀疏连接结构。其主要研究对象是神经系统疾病相关的脑网络表征，而非摘要中已明确验证的 BCI 控制任务。 机制上，SS-DBNet 首先通过多尺度时频特征提取网络学习各被试的 EEG 表征，再引入可学习图卷积网络（L-GCN）聚合邻域信息、细化通道空间表征，并以可学习的非对称邻接矩阵表示有向依赖。联合损失包含预测损失、分类损失、组稀疏正则化与 class-link 约束，用于引导共享有向网络学习，并鼓励跨被试连接模式的一致性。各损失的数学形式、权重及共享结构的具体参数化方式尚未验证。 作者报告在一个模拟数据集和两个涉及不同神经系统疾病的真实 EEG 数据集上验证了框架。摘要未提供数据集名称、被试数量、划分方式、对照方法或定量指标，因此尚不能判断其在 Cross-subject 协议下的性能收益，也不能将共享结构学习直接等同于域泛化效果。实验协议、消融及统计信息尚未验证。 复现时需核对有向依赖的预测目标、共享网络与个体网络的关系，以及组稀疏和 class-link 约束的独立贡献。非对称邻接矩阵表达的是模型学习的方向性依赖，不能仅凭该结构认定为生理因果连接；其稳定性与可解释性仍需结合全文证据评估。