A Bayesian heterogeneous graph dynamics network for cross-subject EEG decoding

doi:10.1016/j.eswa.2026.133718

A Bayesian heterogeneous graph dynamics network for cross-subject EEG decoding

2026-07-01

0

PRE

AI

DOI：10.1016/j.eswa.2026.133718

原文链接

原文求助

摘要

En 中文

本研究提出了一种贝叶斯异构图动态网络（BHGDN），旨在解决跨被试脑电图（EEG）解码中领域适应的挑战，这些挑战主要是由个体间神经生理学变异性引起的。传统的贝叶斯方法通常采用单高斯先验进行领域适应；然而，它们不足以捕捉跨被试EEG动态中非平稳分布漂移所产生的复杂跨区域神经交互。为了解决这些局限性，所提出的框架整合了三种方法创新：首先，提出了一种异构图注意力网络（HGAT），它融合了神经解剖学约束的物理连接与数据驱动的功能邻接。这种融合促进了跨脑区时空同步模式和功能协调的动态建模。其次，建立了一个层次贝叶斯适应架构，通过潜在神经主题空间中的多粒度概率建模来刻画被试特定的神经表征。这种方法在跨域迁移过程中有效保留了个体神经动力学特征。第三，采用联合变分优化来精炼图拓扑结构并使域不变分布对齐，从而系统性地增强跨被试神经解码的鲁棒性。BHGDN框架的实验验证表明其优越性能：在疲劳状态分类中达到87.27%的平均准确率，较基线准确率80.29%提升了8.69%；提高了10.31%的状态转换召回率（针对警觉-疲劳转换）；并将回归任务的均方根误差（RMSE）降低至5.79，较先前RMSE 6.86%减少了15.59%。这些发现证实了该框架在动态神经解码中的泛化能力，并显著推动了自适应脑机接口在实际应用中的实践实施。

Keyword:

BHGDN

EEG

Fatigue

Cross-subject

A Bayesian heterogeneous graph dynamics network for cross-subject EEG decoding

摘要

期刊

机构

引用论文