用于跨主体脑电图解码的贝叶斯异构图动态网络

《Expert Systems with Applications》：A Bayesian Heterogeneous Graph Dynamics Network for Cross-Subject EEG Decoding

　　

摘要

本研究提出了一种贝叶斯异构图动态网络（BHGDN），旨在解决跨受试者脑电图（EEG）解码中的领域适应问题，这类问题的主要根源是个体间的神经生理差异。传统的贝叶斯方法通常采用单一高斯先验进行领域适应，但难以捕捉跨受试者EEG动态中由于非平稳分布变化而产生的复杂区域间神经交互作用。为克服这些局限，所提出的框架整合了三种方法创新：首先，引入了异构图注意力网络（HGAT），将基于神经解剖学的物理连接与数据驱动的功能邻接关系相结合，从而能够动态建模不同脑区之间的时空同步模式与功能协调性；其次，构建了分层贝叶斯适应架构，通过潜在神经主题空间中的多粒度概率建模来界定特定受试者的神经表征，有效保留了个体在跨领域迁移过程中的神经动态特征；最后，采用联合变分优化方法优化图结构并使领域不变分布对齐，进而提升跨受试者神经解码的稳健性。实验验证表明，BHGDN框架性能优异：在疲劳状态分类任务中，其平均准确率为87.27%，比基准值80.29%高出8.69%；在警觉-疲劳状态转换的召回率上提升了10.31%；在回归任务中，均方根误差从之前的6.86%降至5.79%，降低了15.59%。这些结果证明了该框架在动态神经解码方面的通用性，也为实际应用中的自适应脑机接口发展提供了重要支撑。

章节节选

引言与相关研究

在跨受试者神经解码研究中，由于大脑解剖结构及认知模式的个体差异，往往会出现显著的领域偏移问题（Borra, Magosso, Castelo-Branco, & Sim?es, 2022；Chen, Chen, & Zhang, 2024；Sarafraz等人，2024）。传统方法受静态建模假设的限制，无法有效捕捉协同神经活动模式的时空动态特征，因而难以解决分布偏移问题

方法

图1所示的跨受试者解码框架包含三个核心要素：1）动态图构建，2）异构图注意力编码，3）贝叶斯领域对齐。该框架利用空间矩阵和相关系数构建物理与功能连接图，用于比较不同受试者的学习模式；随后通过图注意力机制整合这些图中的特征关系，而贝叶斯领域对齐则用于减少受试者间的信息差异

数据集

数据集1：该数据集来源于Gao等人（2025）开展的驾驶疲劳研究，包含14名健康受试者的数据。在疲劳诱导阶段，使用采样频率为1000 Hz的同步采集系统收集生理信号及疲劳指标。该数据集的维度为[14 × 7200000 × 31]，即每名受试者的实验时长为120分钟（7200秒），共计720万个采样点

结论

本研究提出了一种贝叶斯异构图动态网络（BHGDN），旨在解决跨受试者EEG解码中的领域适应难题。与传统方法相比，该框架通过三阶段的创新设计提升了模型性能：首先，我们设计了动态异构图注意力机制，以有效捕捉不同脑区之间的时空功能协同效应；其次，我们建立了分层贝叶斯领域对齐机制

未引用内容

算法1。

CRediT作者贡献说明

吴定明：概念构思、方法设计、软件实现、形式分析、初稿撰写。刘颖：数据整理、实验研究、结果验证、可视化处理。荆晓鹏：项目监督、行政管理、论文审阅与编辑、资金筹措。刘世宏：概念构思、方法设计、项目监督、论文审阅与编辑。

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

Dingming Wu|Ying Liu|Xiaoping Jing|Shihong Liu