用于 EEG 分类的贝叶斯图神经网络：兼顾性能与可解释性

基于摘要分析。本文研究 EEG 分类性能与可解释性如何兼顾，提出贝叶斯图神经网络 BayesEEGNet，通过概率图建模脑电活动，并联合优化贝叶斯模块与深度神经网络，用于睡眠分期和情绪识别。 核心机制是将脑中两个节点之间的电脉冲视为 Poisson 过程，把一段时间内的电脉冲表示为无限多个连接概率图，再对这些概率图进行耦合与变换。作者据此将脑电活动状态解释为大脑的感知状态；这属于论文提出的建模假设与解释框架，摘要尚不足以确认其生理对应关系。概率图的具体构造、无限图表示的计算实现、贝叶斯推断方式、网络结构及优化目标尚未验证。 作者报告，BayesEEGNet 在睡眠分期与情绪识别任务中具有更优的分类性能，并能在无需先验知识的条件下学习 EEG 通道之间可解释的功能连接关系。摘要未提供数据集、被试数、被试内或跨被试划分、对照基线及具体指标，因此尚不能判断性能优势的幅度、适用范围或不同任务间的可比性。“无需先验知识”的具体范围也需结合正文确认，不宜将学习到的功能连接直接等同于真实解剖连接或因果关系。 复现时需核对 EEG 预处理与通道设置、连接概率图的参数化及计算方式、训练与推理流程，以及连接解释是否经过独立验证。实验协议、消融及统计信息尚未验证，代码与运行条件也未由所给材料确认。本文直接研究 EEG，但摘要所述任务不等同于在线 BCI 验证。