基于多变量加权联合递归网络的图扩散卷积用于 iEEG 癫痫发作状态分类

基于摘要分析。本研究针对耐药性癫痫中发作间期与发作期的二分类问题，将多变量加权联合递归网络与图扩散卷积网络结合，用于处理 iEEG 电极布局稀疏、不规则且具有患者特异性的问题，并分析发作相关的网络重组。 核心机制是先将每个 iEEG 片段嵌入重构相空间，再转化为基于递归关系的功能网络，以加权边表征植入电极接触点之间的非线性动力学耦合；随后通过图扩散卷积捕获植入脑区拓扑上的高阶依赖。该方法将非线性动力学建图与图上的信息传播结合，而非仅采用欧几里得表示。相空间重构参数、边权计算、图扩散定义、训练损失及模型结构尚未验证。 作者报告，在 Hospital of the University of Pennsylvania iEEG Epilepsy Dataset 的九名患者子集上，方法的平均 Accuracy 为 93.4%，并优于标准图卷积及欧几里得深度学习基线。摘要未明确被试内或跨被试协议、片段划分及平均方式，因此该数值不能直接解释为跨被试泛化性能；具体基线、实验协议、消融及统计信息尚未验证。 作者还报告，发作期与发作间期的递归网络呈现状态相关的加权拓扑组织差异，提示非线性脑网络动力学可能随发作状态重组。这为分类之外的网络分析提供了阅读价值，但拓扑差异不等同于因果机制证据，其解释性需结合全文中的量化指标与验证方式判断。复现需核对患者和电极选择、信号预处理、片段长度、相空间及递归建图参数、数据划分和训练设置；代码可用性尚未验证。