DB-GNN：用于联合识别脑网络中单元频率耦合与跨频率耦合的双分支图神经网络及多层对比学习
神经元与认知
2025-04-30 v1
摘要
单元频率耦合（WFC）和跨频率耦合（CFC）在脑网络中分别反映了同一频段内的神经同步以及跨频段的振荡相互作用。它们的协同作用有助于全面理解支撑情感等认知状态所涉及的神经机制。然而，现有的多通道脑电研究常单独分析WFC或CFC，无法充分发挥其互补性。本研究提出了一种双分支图神经网络（DB-GNN），用于联合识别脑网络中的单元频率耦合和跨频率耦合。首先，DB-GNN利用其独特的双分支学习架构，高效地挖掘全局协作信息以及局部的跨频率和单元频率耦合信息。其次，为更全面地感知跨频率和单元频率耦合的全局信息，DB-GNN的全局感知分支采用Transformer架构。为防止Transformer架构过拟合，本研究将先验的单元频率和跨频率耦合信息整合到Transformer推理过程中，从而增强DB-GNN的泛化能力。最后，引入多尺度图对比学习正则化项，在图层级和节点层级约束DB-GNN的全局与局部感知分支，增强其联合感知能力并进一步提升其泛化性能。在情感识别数据集上的实验验证表明，DB-GNN实现了97.88%的测试准确率和97.87%的F1分数，达到最新水平性能。
引用
@article{arxiv.2504.20744,
title = {DB-GNN: Dual-Branch Graph Neural Network with Multi-Level Contrastive Learning for Jointly Identifying Within- and Cross-Frequency Coupled Brain Networks},
author = {Xiang Wang and Hui Xu and Jing Cai and Ta Zhou and Xibei Yang and Wei Xue},
journal= {arXiv preprint arXiv:2504.20744},
year = {2025}
}