该文档属于类型a（单一原创研究报告），以下是针对该研究的学术报告：

动态图表示学习在时空神经影像分析中的应用研究

作者及机构

本研究由香港理工大学数据科学与人工智能系的Rui Liu、Yao Hu、Jibin Wu及Kay Chen Tan，香港城市大学计算机科学系的Ka-Chun Wong，香港城市大学（东莞）计算机科学系的Zhi-An Huang，以及西北工业大学计算机科学系的Yu-An Huang共同完成。论文发表于IEEE Transactions on Cybernetics（2025年3月，第55卷第3期）。

学术背景

研究领域：神经影像分析与图神经网络（Graph Neural Networks, GNNs）。
研究动机：传统神经影像分析多聚焦静态功能连接（functional connectivity, FC），但人脑活动具有动态时空特性。现有方法未能充分整合时空动态交互，导致对复杂脑网络的理解受限。
科学问题：如何通过动态图表示学习模型，统一捕捉神经影像数据（如fMRI、EEG、fNIRS）的时空依赖性，并提升跨平台任务的性能（如分类、回归、可解释性分析）。
研究目标：提出名为STIGR（Spatio-Temporal Interactive Graph Representation）的框架，结合动态图卷积与自注意力机制，解决时空建模的三大挑战：
1. 传统时空图神经网络（STGNNs）独立或交替建模时空依赖性，忽略交互；
2. 卷积核的有限感受野难以捕捉长程依赖；
3. 静态邻接矩阵无法反映脑区连接的动态演化。

研究方法与流程

1. 框架设计

STIGR包含三个核心模块：
- 局部动态图卷积网络（L-DGCN）：通过动态自适应邻域图（Dynamic Adaptive-Neighbor Graph, GDAN）捕捉相邻时间窗的时空交互。GDAN包含三类矩阵：
- 空间连接矩阵（A_S）：基于皮尔逊相关系数（PCC）筛选前10%的高相关性连接；
- 时间连接矩阵（A_T-CL）：通过对比学习（Contrastive Learning, CL）自适应学习跨时间窗节点关联；
- 填充矩阵（A_P）：补全边界时间窗的空缺。
- 全局时空注意力网络（G-STAN）：基于Transformer架构，将输入信号分解为时空双路径：
- 时间注意力：聚合同一脑区不同时间点的特征；
- 空间注意力：聚合同一时间点不同脑区的特征。
- 对比学习邻接矩阵优化（CL-AM）：通过对比相邻时间窗的节点表示相似性，生成动态邻接矩阵，指导L-DGCN的图卷积操作。

2. 实验设计与数据

数据集：
- fMRI：ABIDE I/II（ASD诊断，样本量1035/1113）、ADHD-200（ADHD诊断，939例）、COBRE（精神分裂症诊断，146例）；
- EEG：BCI-IV_2a（运动想象分类，9受试者）、BCI2015（P300拼写任务，26受试者）；
- fNIRS：fNIRS-BCI（前额叶血流信号，8受试者）。

实验流程：
1. 数据预处理：去噪、时间窗分割（窗长s=¹⁵⁄₃₀ TR）、动态图构建；
2. 模型训练：联合优化分类损失（交叉熵）与对比损失（L_CL），平衡参数α=0.5；
3. 任务验证：
- 分类任务：ASD/ADHD诊断、运动想象分类；
- 回归任务：脑年龄预测；
- 可解释性分析：节点/边重要性可视化。

3. 创新方法

• 动态混合图卷积：首次提出GDAN结构，整合时空依赖性与跨时间窗连接；
  
• 对比学习引导的邻接矩阵：CL-AM模块通过相似性对比优化动态连接，解决传统静态矩阵的局限性；
  
• 门控融合机制：自适应加权局部（L-DGCN）与全局（G-STAN）特征（权重θ≈0.5）。
  

主要结果

1. 性能对比

• 分类任务：
  
  • fMRI：ABIDE I准确率72.73%（AUC 79.03%），ADHD-200准确率76.15%（AUC 81.75%）；
    
  • EEG：BCI-IV_2a平均准确率89.28%，超越第二名2.13%；
    
  • fNIRS：fNIRS-BCI准确率97.51%，灵敏度97.63%。
    
• 回归任务：脑年龄预测的MAE为3.05年（ABIDE I），优于现有方法0.18年。
  

2. 可解释性分析

• 节点级：识别ADHD关键脑区（如右额下回、扣带回）与EEG运动想象相关通道（C3/C4）；
  
• 边级：动态功能连接模式显示，35.6%的ADHD患者存在特定时空交互模式（右额下回-扣带回强连接）。
  

3. 方法优势验证

• 消融实验：移除G-STAN或CL-AM模块导致性能下降1.2%~8.8%；
  
• 跨模态泛化性：单一框架在fMRI/EEG/fNIRS数据上均达到SOTA。
  

结论与价值

科学意义

1. 理论创新：首次提出“混合模式”时空建模（图1c3），突破传统独立/交替模式的局限性；
   
2. 技术贡献：动态图表示学习为多模态神经影像分析提供通用解决方案。
   

应用价值

• 临床辅助诊断：高精度识别ASD、ADHD等精神疾病标志；
  
• 脑机接口：提升EEG/fNIRS信号解码效率；
  
• 工具开源：代码与模型发布于GitHub（https://github.com/77yq77/stigr/）。
  

研究亮点

1. 跨平台统一框架：首次实现fMRI/EEG/fNIRS的时空动态统一建模；
   
2. 动态图卷积创新：L-DGCN与G-STAN协同捕捉局部-全局依赖；
   
3. 可解释性系统：可视化工具支持个体化脑网络模式分析（图12）。
   

局限与展望：未来拟结合多模态学习进一步优化时空表征。

（报告字数：约1800字）