Sergi Abadal^1,∗，Pablo Galván¹，Alberto Mármol¹，Nadia Mammone²，Cosimo Ieracitano²，Michele Lo Giudice³，Alessandro Salvini³，Francesco Carlo Morabito²

（1. Universitat Politècnica de Catalunya，Barcelona，Spain

2. DICEAM，University Mediterranea of Reggio Calabria，Reggio Calabria，Italy

3. Università Roma Tre，Roma，Italy）

编者按：

阿尔茨海默病（Alzheimer’s Disease，AD）作为该工作的两大案例之一，是全球老年人痴呆症状的主要原因，一直以来是老年慢性病中的研究热点。这篇工作中经过设计空间的探索，发现了利用GNN Transformers对于AD和癫痫分类都可以达到非常高的性能，还证明了其获得的结果与AD和癫痫的专家知识相匹配。因此，该工作证实了GNN是分类各种神经病理的有价值的工具，为研究和临床实践开辟了新的前景。

脑电图（Electroencephalography，EEG）被用于研究大脑活动，并显示出在辅助诊断多种脑部疾病或作为脑机接口的使能技术方面的潜力。EEG 能够捕捉分布在患者头部多个通道上的神经元放电的时间动态，从而提供关于患者脑活动的各种时空信息。

在 EEG 的不同应用中，两个关键的临床案例是AD的诊断和癫痫发作的分析鉴别，因为这两种疾病都会导致 EEG 模式发生改变。鉴于 AD 的相对高发病率及其进行性发展的神经退行性影响，以及错误治疗误诊癫痫发作可能带来的严重后果，EEG 成为这两种案例中非常重要的技术。

直到现在，这两类疾病都是通过人类专家对 EEG 图进行解读来识别的，这不仅可能会由于疾病具有特异性难以找到，而且容易受到人为错误的影响，这可能会由于所治疗疾病的敏感性而带来问题。

因此，多年来机器学习方法已被应用于尝试在 EEG 中检测某些特定模式，从而提供对这些疾病的稳健且可靠的诊断。特别是，有许多研究使用了诸如支持向量机、多层感知器、长短期记忆网络或卷积神经网络等技术。尽管文献中呈现出优秀的表现，但有人认为这些方法无法捕捉大脑不同区域信号之间潜在的任意非欧几里得关系。例如，尽管卷积神经网络在 EEG 分类中被频繁使用，但使用它们意味着将 EEG 的关系数据压缩成伪图像。由于大脑的不同区域间并不一定通过距离相关联，因此 CNN 似乎并非最优选择。

在此背景下，图神经网络（Graph Neural Network，GNN）因其能够有效分析复杂关系而受到关注。事实上，EEG 可以表示为一个图，其中每个通道被视为一个节点，而这些节点之间的可能相互作用（表示为边）被视为大脑不同区域的活动。因此，利用基于几何图的学习深度方法（如 GNN）提供了一种更合适的方法，用于学习和利用不仅存在于节点特征中，还存在于 EEG 数据连接模式中的有价值信息。尽管 GNN特别适合 EEG 分类任务，但采用 GNN 方法的研究相对较少。如后文所述，只有少数研究在 AD 诊断、癫痫检测或运动想象的背景下使用了简单的 GNN 变体。

这些研究中获得的结果很重要，因为它们提高了准确性，超越了以往的研究，但我们认为由于缺乏对所采用技术的设计空间探索，GNN的潜力尚未完全发挥。此外，这些现有研究大多限于单一案例，通常仅涉及二元分类。而且，它们没有利用 GNN所提供的固有可解释性（让人们能够评估在推理过程中更具相关性的特征、边和节点）。

为了弥合这一差距，本文通过两个相关案例：AD 诊断和癫痫发作鉴别——来证明 GNNs 在 EEG 分类任务中的独特适用性。在这方面，本研究的主要贡献可以总结如下：

1.      对不同的 GNN 架构进行了设计空间探索，包括一些尚未被充分研究但功能强大的 GNN  Transformer，以找到在保持计算效率的同时能够最大化 AD 和癫痫分类任务准确性的 GNN 架构。

2.      使用单一 GNN 架构对 AD 和癫痫发作鉴别任务进行了交叉验证评估，该架构在两个案例中均超越或接近现有技术水平。

3.      通过节点、边和特征重要性分析评估了所提出的架构的可解释性，以了解 GNN 所学习的模式是否与两个案例中的专家知识相符。

4.      对 GNN除了准确性和可解释性之外的优势进行了定性讨论，包括其泛化能力、可扩展性以及在实时应用中的潜在用途。

所提出的架构基于 GNN Transformer，在 AD 诊断和癫痫鉴别任务的三元分类中分别达到了超过 89% 和 96% 的准确率，与现有技术水平相比取得了显著的改进。模型通过留一法进行交叉验证，并通过 GNNExplainer 进行特征、节点和边的重要性分析以评估其可解释性。

资料来源：

根据Sergi Abadal等于2025年发表在Neural Networks题目为《Graph neural networks for electroencephalogram analysis: Alzheimer’s disease and epilepsy use cases》的文章缩写整理而成。

（本文责任编辑：陈劭）