面向精神分裂症诊断的动态脑网络层级表征学习

基于摘要分析。研究针对动态脑网络（DBN）的手工特征难以充分学习其层级时间结构的问题，提出图卷积网络框架下的层级表征学习方法 HARL，用于精神分裂症诊断。原研究对象是由一组随时间变化的功能连接矩阵构成的动态脑网络，而非直接面向 BCI 的信号解码。 方法将每个时变状态作为图节点，以该状态的功能连接矩阵确定节点特征，并根据节点特征学习边。HARL 的每个层级包含卷积层与池化层：卷积层聚合邻居信息以更新状态表征；池化层结合节点特征和图拓扑选择重要状态，构成供下一层处理的粗化图。各层级分别聚合节点特征生成 DBN 表征，再输入全连接层进行疾病预测。其机制重点是对“状态之间的关系”进行图建模，而不是直接把脑区作为此图的节点；不过，时间顺序如何编码、状态筛选如何保留动态信息，仍需核对全文。 作者报告，在一个真实精神分裂症数据集上的实验支持该方法的有效性与优势。摘要未提供采集模态、数据集名称、样本量、划分方式、对照方法或定量指标，因此无法判断跨被试泛化和相对收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务能获得可靠的时变功能连接矩阵，可尝试复用状态图建模及层级池化，并改造连接估计与节点特征构造。该假设依赖连接估计和状态关系的稳定性，低信噪比、跨被试差异、通道配置变化及小数据均可能削弱效果。一个可检验的小实验是在固定的跨被试划分下，比较 HARL 式层级状态图与简单状态特征聚合，并检查状态筛选的稳定性；这不构成已证实的 EEG/BCI 效果，相关 EEG 工作尚未检索确认。