基于图嵌入的脑连接性揭示：EEG表征学习与结构/功能连接对比分析

作者及机构
本研究由Abdullah Almohammadi（澳大利亚悉尼科技大学计算机科学与工程学院；沙特阿拉伯麦地那Taibah大学计算机科学与工程学院）和Yu-Kai Wang（澳大利亚悉尼科技大学计算机科学与工程学院）合作完成，于2024年1月8日发表在《Frontiers in Neuroscience》（DOI: 10.3389/fnins.2023.1288433），是一篇开放获取的原创研究论文。

学术背景

研究领域与动机
该研究属于脑机接口（BCI）与神经科学交叉领域，聚焦于运动想象（Motor Imagery, MI）的EEG信号分类。传统EEG分析方法依赖手工特征（如功率谱密度）和空间滤波技术（如CSP），但存在受试者依赖性高和忽略原始信号深层信息的局限。近年来，深度学习虽在EEG分析中表现优异，但能泛化到新受试者的模型仍较少。为此，作者提出结合图嵌入（Graph Embedding）与深度学习，通过建模结构连接性（Structural Connectivity）和功能连接性（Functional Connectivity），提升分类性能并揭示脑区协作机制。

科学问题与目标
1. 核心挑战：如何克服EEG信号的受试者间变异性？
2. 技术目标：开发基于图卷积神经网络（GCNN）的模型，分别利用结构连接（邻接矩阵）和功能连接（相位锁定值PLV）表征EEG空间信息。
3. 科学意义：通过对比两种连接性模型，揭示运动想象任务中脑网络的动态交互模式。

研究流程与方法

1. 数据准备与预处理

• 数据集：采用标准BCI Competition IV-2a数据集，包含9名健康受试者的22通道EEG信号，采样率250Hz，滤波范围0.5–51Hz。
  
• 试验设计：每名受试者完成4类运动想象任务（左手、右手、脚、舌头），每次试验时长4秒（从提示出现到任务结束）。
  
• 预处理：使用EEGLAB分割数据为4秒片段，最终形成（22通道 × 1000时间点 × 2592试验）的三维矩阵。

2. 结构连接模型（Adj-CNNM）

• 图构建：基于EEG电极的物理位置构建邻接矩阵（Adj-Graph），节点为电极，边表示空间相邻关系（如电极Cz与周围8个电极连接）。
  
• 归一化：采用谱图理论对邻接矩阵标准化（公式见原文），增强模型稳定性。
  
• 网络架构：
  
  • 输入层：将EEG信号与邻接矩阵相乘，生成图嵌入特征。
    
  • 卷积层：使用64个（22×45）的2D卷积核，覆盖全部电极并捕获宽时间窗特征。
    
  • 分类层：通过Softmax输出四类概率。
    
• 训练参数：Adam优化器（学习率0.0001），早停法（耐心250轮），9折交叉验证。

3. 功能连接模型（PLV-CNNM）

• 图构建：计算22通道间的相位锁定值（PLV），生成功能连接矩阵（PLV-Graph），边权表示同步强度。
  
• 频段分析：针对δ（1–4Hz）、θ（4–8Hz）、α（8–12Hz）、β（12–30Hz）、γ（30–51Hz）等频段分别建模。
  
• 网络架构：
  
  • 双卷积层：首层32个（3×3）滤波器，次层64个（3×3）滤波器，提取时频特征。
    
  • 动态连接：PLV矩阵动态更新，反映任务中脑区协同变化。
    

4. 对比分析与消融实验

• 基线模型：包括EEGNet、FBCSP等传统方法，以及未使用图嵌入的普通CNN。
  
• 消融实验：验证Adj-Graph和PLV-Graph的贡献，结果显示移除任一图嵌入均导致性能显著下降（Adj-Graph移除后准确率降至32.64%，PLV-Graph移除后为40.28%）。

主要结果

1. 分类性能

   • Adj-CNNM：整体准确率72.77%（±0.045），优于EEGNet（51.31%）和3D-CNN（75.02%）。
     
   • PLV-CNNM：
     
     • 全频段（1–51Hz）准确率75.10%（±0.018）。
       
     • 运动想象关键频段（8–30Hz）中，α、μ、β波分类准确率分别达91.9%、90.2%、85.8%。
       
     • θ频段表现最佳（95.72%），可能与记忆和注意力机制相关。
       

2. 脑连接模式解析

   • 结构连接：Adj-CNNM突出中央区（C3、Cz、C4）的激活，与运动皮层功能一致。
     
   • 功能连接：PLV-CNNM揭示额叶-中央区（如Fz-Cz）及中央-顶叶（如Cz-Pz）的强同步性，表明跨区域协作在运动想象中的重要性。
     

3. 模型解释性

   • 特征可视化：卷积核显示模型优先关注运动相关通道（如C3、C4），与神经生理学知识吻合。
     
   • 频段特异性：β波的高分类率支持其与运动执行的关联，而θ波的高准确率可能反映认知负荷。

结论与价值

科学价值
1. 方法论创新：首次将图嵌入与GCNN结合，同时建模EEG的结构和功能连接性，为脑网络分析提供新工具。
2. 理论贡献：证实功能连接（PLV）能弥补结构连接的空间局限性，尤其适用于跨脑区交互研究。

应用前景
- 临床诊断：模型可辅助评估中风患者的运动功能康复进程。
- BCI优化：高精度分类推动无校准BCI设备的开发，降低用户依赖。

研究亮点

1. 双模型对比：Adj-CNNM与PLV-CNNM的协同分析，全面揭示脑连接的多尺度特性。
   
2. 频段特异性：首次在单一框架内实现多频段（δ至γ）的精准分类，深化对节律-行为关系的理解。
   
3. 可解释性：通过特征映射可视化，将深度学习结果与经典神经科学理论关联，增强模型可信度。
   

局限性
- 未探索不同受试者间的连接性差异，未来可引入个性化图构建策略。
- PLV计算未考虑非线性相位耦合，可尝试高阶同步指标（如互信息）。

此研究为EEG表征学习和脑网络动力学提供了范式级方法，其代码与数据已开源，推动领域可重复性研究。