基于谱卷积的图神经网络用于 fMRI 连接组的认知任务分类
机器学习
2026-01-01 v1
摘要
使用机器学习进行认知任务分类是解码脑状态从神经影像数据中的核心任务。通过将机器学习与脑网络分析集成，可从功能性磁共振成像连接组中提取复杂的连接模式。这一过程将原始血氧水平依赖 (BOLD) 信号转化为可解释的认知过程表示。图神经网络 (GNN) 为这一范式进一步推进，通过将脑区建模为节点、功能连接建模为边缘，捕获常规方法遗漏的拓扑依赖性和多尺度相互作用。我们提出的 SpectralBrainGNN 模型是基于图傅里叶变换 (GFT) 通过归一化拉普拉斯特征分解计算的谱卷积框架。在 Human Connectome Project-Task (HCPTask) 数据集上的实验表明，所提出的方法有效，实现了 96.25% 的分类准确率。该实现已公开于 https://github.com/gnnplayground/SpectralBrainGNN，以支持可重复性和未来研究。
引用
@article{arxiv.2512.24901,
title = {Spectral Graph Neural Networks for Cognitive Task Classification in fMRI Connectomes},
author = {Debasis Maji and Arghya Banerjee and Debaditya Barman},
journal= {arXiv preprint arXiv:2512.24901},
year = {2026}
}