基于图神经网络的EEG分类研究综述：现状与展望
本文由Dominik Klepl（英国考文垂大学计算科学与数学建模中心）、Min Wu（新加坡科技研究局资讯通信研究院）及Fei He（考文垂大学）共同撰写，发表于2024年的*IEEE Transactions on Neural Systems and Rehabilitation Engineering*第32卷。作为一篇系统性综述，文章聚焦图神经网络（Graph Neural Network, GNN）在脑电图（Electroencephalography, EEG）分类任务中的应用，梳理了63篇相关文献，旨在为这一新兴领域提供方法学分类、趋势分析及未来研究方向。
研究背景与动机
EEG是一种非侵入式脑电活动记录技术，广泛应用于认知神经科学、临床诊断和脑机接口。然而，EEG信号具有低信噪比、非平稳性和多变量特性，传统分析方法（如共空间模式、小波变换）依赖人工特征提取，存在主观性强、泛化能力有限等问题。深度学习（如CNN、LSTM）虽被尝试，但难以有效捕捉电极间的空间依赖性和时序动态。GNN因其对图结构数据的天然适配性，成为EEG分析的新范式。通过将电极视为节点、连接关系视为边，GNN可建模大脑功能网络，提升分类性能并揭示神经机制。
核心内容与分类框架
作者从以下六个维度对现有GNN-EEG研究进行了系统分类：
脑图结构定义
- 结构连接（Structural Connectivity, SC）：基于电极物理距离构建静态图（如阈值化距离矩阵），优点是抗噪性强，但可能忽略长程功能连接。
- 功能连接（Functional Connectivity, FC）：通过统计相关性（如Pearson相关系数）或可学习参数动态生成边权，反映信号间交互，但对噪声敏感。
- 混合方法：部分研究结合SC与FC，或引入注意力机制（如Graph Attention Network, GAT）自适应调整边权。
节点特征设计
- 时域特征：原始EEG信号、差分熵（Differential Entropy, DE）、统计量（均值、方差）。
- 频域特征：功率谱密度（Power Spectral Density, PSD）、傅里叶变换分量。
- 图论特征：节点中心性、聚类系数，需预定义图结构，灵活性较低。
图卷积层类型
- 空间GNN：通过邻域聚合（消息传递）更新节点嵌入，代表方法如GCN（Graph Convolutional Network）。
- 频谱GNN：基于图傅里叶变换（Graph Fourier Transform, GFT）在频域滤波，如Chebyshev卷积（ChebConv），但受限于固定节点数。
- 时空GNN：结合1D-CNN处理时序与GNN处理空间关系，多分支架构可并行学习不同频带或连接模式。
节点特征预处理
常用CNN或MLP降维去噪，部分研究采用预训练模型（如BiLSTM）提取高层特征。
图嵌入生成
- 简单拼接：直接串联节点嵌入，但维度爆炸且需固定节点数。
- 读出函数（Readout）：使用求和、均值或最大池化等置换不变函数聚合节点信息。
- 高级方法：引入Transformer、胶囊网络或层次化池化（如DiffPool）增强表达能力。
主要发现与趋势
方法学偏好：
- 频谱GNN（尤其是ChebConv）使用率高于空间GNN，可能因EEG信号处理传统偏好频域分析。
- 节点特征以原始信号和DE为主，频域特征次之。
局限性：
- 泛化性不足：多数模型依赖固定电极数量，难以跨数据集迁移。
- 频率信息利用浅层：现有研究多独立处理各频带，缺乏跨频耦合（Cross-Frequency Coupling, CFC）建模。
新兴方向：
- 迁移学习：通过预训练大模型解决临床小样本问题。
- 可解释性：结合网络神经科学理论（如功能模块化）解释GNN决策。
- 动态图建模：捕捉大脑网络随时间演变的特性。
研究价值与展望
本文首次系统梳理了GNN-EEG分类的方法学框架，揭示了技术瓶颈（如泛化性、频率整合）并提出了解决方案。其科学价值在于：
1. 方法论指导：为研究者提供模块化设计模板（如脑图定义、特征选择）。
2. 跨学科桥梁：推动图信号处理与神经科学的交叉创新。
3. 应用潜力：在癫痫预警、情绪识别等场景中，GNN的端到端特性可降低人工特征工程成本。
未来需重点探索动态图架构、CFC建模及轻量化部署，以加速临床转化。本文为领域内学者提供了清晰的路线图，也为后续技术迭代奠定了理论基础。