XAIguiFormer：用于脑疾病识别的可解释人工智能引导 Transformer

基于摘要分析。该研究针对基于 EEG 连接组的脑疾病识别，提出受动力系统启发的 XAI guided transformer（XAIguiFormer），尝试让可解释人工智能（XAI）不仅解释模型决策，还参与细化自注意力中的粗粒度信息，以捕捉更相关的依赖关系。其主要研究对象是脑疾病识别，而非 BCI 控制或意图解码。 方法上，connectome tokenizer 将单个频带的完整图作为不可拆分的 token，沿频率维度形成序列；作者的设计意图是避免分词破坏连接组的拓扑结构。模型还通过旋转矩阵将频率信息与人口统计信息融入 token，以增强频率表征并缓解个体差异。摘要未说明 XAI 反馈的具体计算方式、如何更新注意力、训练目标及推理阶段是否仍需解释计算，这些机制细节尚未验证。 作者报告，在其脑疾病识别实验中，XAIguiFormer 的表现优于全部对照模型，并可通过频带重要性可视化提供解释。但摘要未提供疾病类别、数据集、被试规模、被试内或跨被试划分、基线名称及具体指标，因此无法量化优势或判断泛化范围；实验协议、消融及统计信息尚未验证。频带重要性可视化也不能直接等同于疾病机制或临床有效性的证据。 摘要提供了代码仓库。复现时需核对连接组构建方式、频带定义、人口统计变量的编码与使用方式，以及 XAI 引导和旋转编码各自的贡献；目前尚未核验代码内容及其与论文实验的一致性。