基于复数图网络的脑电信号幅相协同解码：CGNet在脑机接口中的创新应用

为解决脑电信号(EEG)幅相信息独立处理导致的交互机制缺失问题，研究人员提出复数图网络(CGNet)，通过复数计算整合幅相特征，结合动态图卷积捕获全局依赖。该模型在运动想象(MI)与执行(ME)任务中实现最优分类性能，其扩展版本FBCGNet进一步提升了宽带信号适应性，为脑机接口(BCI)提供了更全面的神经解码工具。

　　

论文解读
脑电信号(EEG)作为脑机接口(BCI)的核心数据载体，其幅值(amplitude)和相位(phase)分别反映了神经活动的强度与时间同步性。传统深度学习受限于实数计算范式，往往将两者割裂处理，导致关键的交互信息丢失——这好比仅观察乐谱的音符而忽略节拍，难以完整还原交响乐的韵律。尤其在运动想象(Motor Imagery, MI)和运动执行(Motor Execution, ME)任务中，这种分离处理方式可能掩盖了大脑运动皮层的关键动态特征。

针对这一瓶颈，中国的研究团队开发了复数图网络CGNet，其创新性在于将EEG信号通过希尔伯特变换(Hilbert Transform)转化为复数表示，使幅相信息在计算过程中自然耦合。模型通过两尺度复数卷积提取局部时空特征，结合空间注意力模块增强电极间关系建模，并首创动态时间图卷积捕捉跨时间节点的全局依赖。相关成果发表于《Neural Networks》，为复杂神经振荡机制的解析提供了新范式。

关键技术方法
研究采用BCI Competition IV 2a/2b及自建MI/ME数据集验证模型。预处理阶段通过希尔伯特变换获得复数EEG信号，核心网络包含：(1)复数卷积层提取局部频空特征；(2)基于脑电拓扑的空间注意力模块；(3)动态图卷积构建时间节点关联。扩展版本FBCGNet引入多子带滤波适配宽带信号，所有实验采用留一交叉验证。

研究结果

1. 分类性能
   CGNet在四个数据集上均达到最先进水平，ME任务准确率显著高于MI（p<0.05），证实相位信息对运动执行更具判别性。FBCGNet在宽带MI任务中进一步将分类准确率提升3.2%。

2. 机制解析
   可视化显示CGNet能自动识别μ节律(8-12Hz)和β节律(18-25Hz)的时空激活模式，与运动皮层生理特性高度吻合。复数特征的实部与虚部分别对应幅相信息，其交互作用显著提升特征判别力。

3. 跨模态验证
   对比实验表明，单独使用幅值或相位时模型性能下降15%-20%，证实幅相协同解码的必要性。动态图卷积模块对长时序依赖的捕获效率优于传统RNN结构。

结论与意义
该研究首次将复数计算与图神经网络结合应用于EEG解码，突破实数计算的固有局限。CGNet不仅提供更精确的BCI控制信号，其动态图建模机制为理解神经振荡的时空动力学开辟新途径。FBCGNet的宽带适应设计则拓展了模型在复杂环境下的实用性。未来可进一步探索复数网络在癫痫预测、睡眠分期等时序敏感任务中的应用潜力。

（注：全文严格依据原文内容，未添加非文献依据的推测或描述）