《Neurocomputing》：A Spatio-Temporal Neural Relation Extraction Model for End-to-End Brain Directed Network Mapping
编辑推荐：
摘要快速可靠的基于脑电图（EEG）的有向网络估计对于表征实时应用（如脑机接口和闭环干预）中有向和因果性的脑相互作用至关重要。本研究介绍了深度神经网络有向网络估计（DeepNNetDNE），这是一个用于 EEG 脑网络估计的高效端到端框架，该框架利用时空神经关系提取（STNRE
摘要
快速可靠的基于脑电图（EEG）的有向网络估计对于表征实时应用（如脑机接口和闭环干预）中有向和因果性的脑相互作用至关重要。本研究介绍了深度神经网络有向网络估计（DeepNNetDNE），这是一个用于 EEG 脑网络估计的高效端到端框架，该框架利用时空神经关系提取（STNRE）模型直接从脑信号推断网络相互作用。训练好的模型从大规模数据中学习支配关系表示的底层规则，并作为一个通用的神经关系提取器，用于端到端估计不同场景（例如不同数量的通道和数据长度）中新脑信号的有向网络。所提出的 DeepNNetDNE 展现出从噪声 EEG 信号中提取网络模式的卓越能力，同时与基准方法相比显著降低了计算成本。此外，DeepNNetDNE 更好地捕捉了静息状态下的默认模式网络模式，网络枢纽与实证知识更加一致；并进一步揭示了中风后半瘫患者在运动想象期间的网络重组，其特征是向未受伤半球侧化作为一种补偿机制，这可能作为评估运动功能的指标。DeepNNetDNE 的独特之处在于消除了现有网络分析方法所需的实例级先验假设、显式建模和超参数调整，从而在实时有向网络分析中展现出强大潜力。
章节摘要
引言
从脑记录中估计有向脑网络（连接性）为了解脑区之间如何相互影响提供了宝贵的见解，促进了理解脑网络组织的高效机制，识别可靠的生物标志物，以及发现神经调控的有效目标 [1], [2], [3]。对这些有向相互作用的快速可靠量化将显著有助于及时准确地解码脑信息，
STNRE 的数学原理
DeepNNetDNE 设计了一个 STNRE 模型，以建立从信号到有向网络的端到端映射（图 1）。它采用编码器 - 解码器框架，由两个联合组件组成：一个配备时间处理模块和时空图神经网络（GNN）模块的编码器，以及一个带有共享权重 ANN 解码模块的解码器。时间处理模块旨在学习紧凑且信息丰富的序列表示。时空 GNN 模块配备多个
仿真结果
如图 2 (A) 所示，DeepNNetDNE 估计的网络模式与预设条件一致，同时伪连接最少。即使在最低信噪比（-5 dB）下，主要模式仍与预设条件保持一致。在低信噪比条件下，GCA 表现出显著的模式失真（主要模式与预设不一致）。PDC 和 DTF 无法有效捕捉连接 5→4，并显示出错误的连接 4→3。网络
讨论与结论
通过模拟研究证明了 DeepNNetDNE 的鲁棒性，展示了其抗噪性、在多样化场景中的强泛化能力以及计算效率。如图 2 (A)~(B) 所示，即使信噪比低，DeepNNetDNE 的网络模式也与预设条件一致并最小化伪连接。NRI、PDC、DTF 和 GCA 在网络估计中显示出偏差或失真，特别是在挑战性条件下。PDC、DTF 和 GCA 的表现不佳是
基金资助
这项工作得到了 STI 2030 重大项目（#2022ZD0208500）、国家自然科学基金（#W2411084, #82372084, #62373079）、四川省科技计划（#2025YFHZ0261）、四川省科学技术厅（#2025ZNSFSC0734）、中国博士后科学基金（#2024M760359）以及浙江大学脑机智能全国重点实验室开放研究基金（#BMI2400018）的支持。
利益冲突声明
作者声明他们没有任何已知的竞争性财务利益或个人关系可能影响本论文中报告的工作。
Chanlin Yi 于 2017 年获得重庆邮电大学生物信息学院生物医学工程学士学位，并于 2023 年获得电子科技大学生命科学与技术学院生物医学工程博士学位。她目前是电子科技大学的博士后研究员。她的研究兴趣包括基于 EEG 的大规模脑网络
Chanlin Yi|Wanjun Chen|Junpu Wang|Qingyang Li|Mi Yang|Dezhong Yao|Fali Li|Peng Xu
成都脑科学研究院附属医院，教育部神经信息学重点实验室，生命科学与技术学院，电子科技大学，中国成都，611731
