基于 EEG 数据的精准癫痫发作检测与分类的动态 GNN

基于摘要分析。研究针对 EEG 癫痫发作检测与分类中人工判读耗费资源、自动化方法对几何与语义属性利用不足的问题，提出动态图神经网络框架 NeuroGNN，将电极位置及其对应脑区的语义关系纳入建模。 核心机制是动态构建图，以刻画 EEG 中随时间变化的空间、时间、语义及分类层级（taxonomic）相关性。作者的建模动机是：不同脑区承担不同的认知、情绪与感觉处理功能，因此电极所在脑区会影响所记录信号的性质；空间关系与脑区语义应共同参与信号解释。摘要未说明脑区语义的编码来源、图节点与边的具体定义、动态图更新方式，以及这些关系如何进入 GNN 的训练与推理，相关实现尚未验证。 作者报告，在真实世界数据上的实验中，NeuroGNN 显著优于现有最先进模型；但摘要未提供数据集名称、被试数、数据划分、对照模型、指标或具体数值，无法据此判断检测与分类任务各自的增益，也不能确认其在被试内、跨被试或跨会话条件下的表现。实验协议、消融及统计信息尚未验证。 阅读全文时，值得核对空间、语义及分类层级关系各自的贡献，以及动态图相对固定图的增益；还需核对电极配置差异、脑区映射方式和训练测试划分对结果的影响。复现所需的数据预处理、图构建规则、模型配置与代码可用性，均无法由当前摘要确认。该研究直接面向 EEG 癫痫发作分析，不应将其报告的效果泛化为其他 BCI 任务的已验证收益。