利用多头图结构学习与梯度加权图注意力解释从静息态 EEG 检测帕金森病

基于摘要分析。该研究针对静息态 EEG 中的帕金森病（PD）检测，提出一种可解释图神经网络方法，以应对空间信息与动态脑连接建模、有限数据下的特征学习及解释性问题。其主要研究对象是疾病检测，而非 BCI 控制或意图解码。 方法包括三个部分：结构化全局卷积与对比学习结合，用于有限数据条件下的复杂特征学习；多头图结构学习器，用于捕捉 EEG 数据的非欧几里得结构；逐头梯度加权图注意力解释器，用于解释学习到的图拓扑并提供神经连接线索。摘要未说明图节点与边的具体定义、对比学习样本构造、损失形式，以及动态连接的具体实现方式，这些细节尚未验证。 作者报告，在 UC San Diego Parkinson’s disease EEG dataset 上，采用逐被试留一交叉验证（subject-wise leave-one-out cross-validation），检测 Accuracy 为 69.40%，并生成了对所学习图拓扑的直观解释。该结果需限定在上述数据集与评估协议内理解；摘要未提供对照基线、被试数量、类别分布、置信区间或其他指标，无法据此判断相对优势及临床诊断效用。 复现时值得核对 EEG 预处理、样本分段与被试划分、训练及模型选择流程，并检查各模块的消融结果和解释在不同留出被试间的稳定性。注意力及其梯度形成的连接解释不能直接等同于疾病相关连接的因果证据。实验协议、消融及统计信息尚未验证；摘要也未提供可核验的代码或复现条件。