Random graph construction-based hierarchical attention multi-task graph convolution network for sEEG SOZ identification

Huachao Yan

doi:10.1016/j.neucom.2026.133367

Random graph construction-based hierarchical attention multi-task graph convolution network for sEEG SOZ identification

2026-03-19

0

PRE

AI

DOI：10.1016/j.neucom.2026.133367

原文链接

原文求助

摘要

En 中文

立体脑电图（sEEG）是准确识别难治性癫痫中癫痫发作起始区（SOZ）的关键技术。现有研究主要依赖sEEG中特定的皮层-皮层诱发电位（CCEP）响应模式来构建图数据用于网络训练。这限制了训练后的网络仅依赖于特定频段内片面的响应模式来表示SOZ，从而导致性能欠佳。本文提出了一种随机图构建方法，通过随机选择不同频段的节点特征组合以及不同脑区响应模式中衍生的连接关系来构建图，从而使模型能够利用多样化的响应模式学习SOZ相关表示。此外，为充分挖掘多样癫痫相关任务中固有的丰富信息以用于SOZ识别，本文提出了一种上游-下游多任务学习（MTL）框架。当前基于EEG的癫痫MTL研究主要集中于构建复杂的共享网络。然而，直接将这些方法作为上游MTL框架应用可能导致无法捕获上游内部任务的重要细节信息以及任务间的互补信息。为解决上述问题，本文进一步提出了层级注意力多任务图卷积网络（HAMTGCN），其中上游网络——层级注意力MTL（HAMTL）设计了注意力块以捕获每个任务内的重要细节信息，并引入共享表示加权以促进任务间的互补信息交换。该设计使下游任务能够从上游HAMTL学习到的全面癫痫相关信息中受益，用于SOZ识别。在自建的sEEG癫痫数据集上进行了大量实验和深入分析，以评估所提出方法的有效性。实验结果表明，所提出的方法不仅实现了对每位患者SOZ识别的优越性能，还表现出显著的解释性和泛化能力，突显了该方法潜在的的临床应用价值。

Random graph construction-based hierarchical attention multi-task graph convolution network for sEEG SOZ identification

摘要

期刊

机构

引用论文