An adaptive decoupling learning system informed by the brain functional structure for EEG decoding

Pengrui Li

doi:10.1016/j.neunet.2025.108228

An adaptive decoupling learning system informed by the brain functional structure for EEG decoding

2025-10-17

0

PRE

AI

DOI：10.1016/j.neunet.2025.108228

原文链接

原文求助

摘要

En 中文

神经科学研究表明，功能脑区之间存在区域通路连接，以及左右半球不对称的结构特征。这些连接及其潜在耦合关系和强度，显著影响经脑电图（EEG）记录的神经元信号在皮层中的表征。因此，亟需开发能够有效解码EEG数据中潜在特征表示的数据驱动方法。鉴于此，本研究提出了一种基于脑功能结构认知洞见的、整合局部-全局空间表征的功能-结构自适应解耦学习框架（FS-AD），用于解码不同状态下的EEG模式。为实现此目标，我们首先实现了一维可分离卷积模块，并设计了局部域注意力交互层，以提取各区域的通道间交互信息，从而捕获完全连接的区域通路。随后，我们开发了全局-局部核级融合解码器（GKFD），用于聚合多个局部域特征，并通过全局域连接层进行解码。此外，精心构建了跨域自适应融合解码器（CAFD），以动态识别最优的完全连接跨域通路，并通过局部域连接层进行解码。FS-AD的主要目标是挖掘不同脑状态下的连接模式，以提升EEG解码效率。结果表明，所提出的FS-AD学习系统在疲劳、情绪和运动想象等不同脑状态相关的EEG解码任务中，显著优于现有竞争方法。值得注意的是，本研究阐明了脑区域通路连接的耦合强度变化及其对脑活动的表征，同时探究了不同脑状态下最优的区域通路。本研究为通用脑解码方法的发展做出了贡献。

An adaptive decoupling learning system informed by the brain functional structure for EEG decoding

摘要

期刊

机构

引用论文