用于 EEG 数据中精确癫痫发作检测与分类的动态 GNN

基于摘要分析。该研究针对人工 EEG 分析耗费资源、自动化算法可能忽视 EEG 几何与语义属性的问题，提出动态 Graph Neural Network（GNN）框架 NeuroGNN，用于癫痫发作检测与分类。其核心思路是将电极位置及对应脑区的语义信息纳入动态图，以建模随时间变化的空间、时间、语义和分类体系（taxonomic）关联。 机制上，作者认为电极所在脑区的功能差异会影响所采集 EEG 信号的性质，因此仅考虑信号或空间关系可能不足以描述脑区之间的联系。NeuroGNN 的研究重点在于结合这些关系动态构图，而不只是利用固定的电极邻接结构。不过，摘要未提供脑区语义的表示方式、taxonomic 关系的具体定义、图更新机制、消息传递方式、损失函数及训练与推理流程，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 SOTA 模型；摘要未给出数据集名称、被试规模、被试内或跨被试划分、对照模型、指标数值及显著性检验信息，因此目前无法判断提升幅度，也不能直接与其他协议下的结果比较。实验协议、消融及统计信息尚未验证。 复现时值得重点核对动态构图与脑区语义分别带来的增益，以及语义先验如何映射到实际电极配置。不同通道布局、脑区定位误差和跨被试差异是否影响性能，也是需要结合全文与实验检查的问题；代码、数据可用性及完整复现条件尚未验证。该工作面向 EEG 癫痫分析，摘要未提供其在其他 BCI 任务中的效果证据。