基于数据融合的脑疾病识别图表示学习

基于摘要分析。该研究面向脑疾病识别，提出数据融合图表示学习框架 DF-GRL，旨在缓解现有图对比学习对负样本选择或对称网络结构的依赖。其主要研究对象是脑功能连接图，并非直接面向 BCI 解码；摘要未说明功能连接数据的采集模态，不能据此认定为 EEG 或 fMRI。 机制上，DF-GRL 使用非对称双分支网络提取并整合结构信息与属性信息。为探索属性嵌入的结构表示，方法对属性嵌入的邻居节点特征进行采样，并使用基于互相关的损失函数，约束结构嵌入与邻居嵌入表示之间的结构一致性。摘要未给出分支结构、采样规则、损失公式及训练与推理流程，尚不能确认其是否完全不使用负样本，也不能将其等同于某一既有自监督算法。 作者报告，在七项脑功能连接数据上的实验中，与先进图表示学习方法的比较显示了方法的有效性与效率。摘要未提供数据名称、被试数、疾病类别、划分协议、具体基线、指标或计算开销，因此无法量化收益或判断跨被试泛化能力；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 可构建具有稳定节点对应关系的通道功能连接图，该框架的结构—属性一致性机制可能用于自监督预训练。可复用的是非对称表示融合与互相关约束，需改造的是通道节点属性、连接估计及邻居采样方式。低信噪比、伪连接、跨被试差异、通道布局变化和小样本均可能使一致性约束强化噪声。一个可证伪的小实验是在固定 EEG 数据与跨被试划分下，比较完整框架和移除互相关约束的版本，并保持图构建及下游分类器一致，检验收益是否稳定。已有 EEG 相关工作尚未检索确认。