1、研究背景与动机

1.1 BCI/EEG 的老难题

• EEG 噪声重、个体差异大：眨眼、肌电、导联接触等伪迹很多；不同被试的脑电分布也不一样，建模很难稳定。
• 时空耦合强：同一电极的时间依赖 + 不同电极之间的空间依赖要一起学；只看时域或只看空域都容易丢信息。
• “全局 vs 局部”两头难兼顾：
  • CNN/TSception 之类能抓时间动态，但把所有通道“摁成一锅粥”时，局部功能区的细粒度关系常被冲淡；
  • 图神经网络（GNN）能建全局连接/自适应邻接，但很多做法弱化了功能区内部的局部活动模式，或只用距离/相关性这类“粗”关系。
  
  

1.2 关键科学直觉：大脑是“分区+协作”的层级网络

• 神经科学告诉我们：大脑有功能分区（额叶、顶叶、枕叶等），区内有局部回路，任务执行时各区还会协同。也就是说，**“区内强交互 + 区间有选择的互联”**才像真的脑。
• 因此，EEG 的空间建模不能只靠“全连接或全局相关性”，也不能只看“几何邻近”；需要把先验功能区（local）和跨区交互（global）同时放进模型。

1.3 差距与痛点（对现有方法的补位）

• 仅用卷积/时频：能学到多尺度时间特征，但跨功能区关系表达力不够。
• 仅用全局图：容易学到“谁都连谁”的粗连接，忽略区内细节；有的还把邻接固定死，难以适配不同被试/任务。
• 缺少“神经科学先验”的显式注入：很多图结构是为方便计算而定，并非根据功能区来划分与连接。

1.4 LGGNet 的核心动机

1. 把神经科学先验落到结构上
   • 先把电极按 10–20 系统和功能区划成若干局部图（Local），区内全连接以强化该区的共同活动；再在这些局部图之间构建全局图（Global），让模型去学跨区协同。这就把“像大脑一样组织”的偏置写进了网络。
   
   
2. 时间×空间的解耦再耦合
   • 先用多尺度一维卷积直接从原始 EEG 学时间/频率动态；用核级注意力融合把不同时间尺度的信息“加权拼好”；再把每个通道的时间表征作为图节点属性，进入“局部→全局”两级图过滤，完成时空的“先分后合”。这样既保留细粒度时间信息，又显式建模空间结构。
   
   
3. 全局连接要“可学、因样本而变”
   • 全局图不是写死的：先用样本级相似性构出基础邻接，再配一个可训练的注意力掩码去强调/抑制关键跨区边，从而让不同被试、不同任务下的“区间通路”能自适应变化。
   
   
4. 一套架构，覆盖多种 BCI 任务
   • 论文在注意力、疲劳、情绪、偏好四类任务、三个公开数据集上做了系统评估与消融，动机是验证“局部-全局图表示”的通用性与有效性，而不是只在单任务里调参取巧。
   
   

1.5 期望收益

• 精度与稳健性：区内聚合 + 区间选择性连接，帮助模型在小样本、跨被试差异下更稳。

• 可解释性：局部/全局邻接与注意力权重可视化，能直观看到“哪个功能区、哪些跨区通路”在起作用。

• 通用范式：把“神经科学先验”变成可复用的图定义与层级模块，方便迁移到更多 BCI 场景。

2、核心创新点总结

1. “时间先学好，再做图”：多尺度时域卷积 + 核级注意力融合
   • 先用并行的一维多尺度卷积学出不同时间/频率节律；再用核级注意力融合把多尺度特征按重要性加权整合，得到每个通道的时间表征作为“图节点特征”。这是整套方法的入口。
   
   
2. 把“功能区”写进图：局部图过滤层（Local）
   • 依据神经科学把电极分成若干功能区子图，区内采用全连接，并用注意力式的“局部过滤 + 区内聚合（平均）”得到每个功能区的隐藏表示，显式强化区内协同活动。
   
   
3. 再学“区与区怎么协同”：全局图过滤层（Global）
   • 先用样本级相似性矩阵作为全局邻接的基座，再引入可学习的注意力掩码（训练时反向传播更新）选择/抑制关键跨区连边，从而适配不同被试与任务下的全局交互。
   
   
4. 三种“局部–全局”先验图，一套网络多任务泛用
   • 给出通用（G）、额叶（F）、半球（H）三种图定义：通用图依 10–20 系统按功能区分组；额叶图进一步细化并利用额叶左右非对称先验；半球图在各功能区都加入左右对称子图。不同任务可选更合适的先验图。
   
   
5. “时—图”两级协同的整张蓝图（方法论统一）
   • 全结构由**时序学习模块（多尺度卷积 + 核级注意力）与图学习模块（Local→Global）**组成，数据流清晰、可替换，便于在不同 BCI 任务间迁移。图 1 对此做了总览示意。
   
   
6. 与主流深度/图方法系统对比 + 嵌套交叉验证
   • 和 DeepConvNet、EEGNet、TSception、RGNN、AMCNN-DGCN、HRNN、GraphNet 等广泛对比，并在三个公开数据集（注意力、疲劳、DEAP）与四类任务（注意力、疲劳、情绪、偏好）进行评估，统计显著性多数优于对手。
   
   
7. 充分的消融实验，量化每个模块的“份额”
   • 对核级注意力融合、局部图过滤、全局图过滤逐一移除做消融，直观看到性能跌幅，验证三块积木都在“出力”。
   
   
8. 神经科学先验 → 可解释性输出
   • 通过显著性图与学习到的邻接矩阵可视化，展示哪些功能区/跨区通路在不同认知任务中重要，增强模型的可解释性与分析价值。
   
   
9. 设计细节贴合 EEG 物理意义
   • 在时域分支用“功率—对数”式激活与池化，等价于学习经典 EEG 功率特征，但由网络端到端完成，兼顾可解释与性能。
   
   
10. 方法定位：把“神经科学结构感”注入 GNN

• 论文明确把贡献总结为：提出 LGGNet；提出三类局部–全局图定义；做了大规模对比与消融，证明将神经科学先验融入图学习能显著提升 BCI 分类。

—— 一句话版：LGGNet 把“多尺度时间特征”与“功能区先验图”两级结合，先学区内、再学区间，还让全局连边可学习，从而在多任务上取得更稳更强、且更可解释的 EEG 表征。

3、模型的网络结构

整体结构（一句话）

(A) 时间学习块（Temporal learning block）

1. 并行多尺度一维卷积（Conv1D）

• 三条并行支路，卷积核长度按采样率 fsf_sfs 的比例取 0.5fs,0.25fs,0.125fs0.5f_s, 0.25f_s, 0.125f_s0.5fs,0.25fs,0.125fs（论文里记作 Q=0.5,K=3Q=0.5, K=3Q=0.5,K=3 的多级 T-kernels）。这相当于用不同“时间窗”去捕捉不同频段/节律。三支路在特征维拼接。

• 功率层（Power layer）：每条支路的卷积输出先平方→短时平均池化（得到平均功率）→取对数（稳定方差、提升鲁棒性）。这一步就是把“滤波后的能量”喂给网络。

1. 核级注意力融合（Kernel-level attentive fusion）

• 把三条支路的特征拼起来后，用逐点卷积(1×2) 做“核级注意力”以学会各尺度的权重；卷积前后都批归一化，中间用 LeakyReLU，再接平均池化降维。

• 重塑（reshape）：把得到的张量按“通道为节点”重排，得到每个通道对应的节点属性向量，为后续图学习做准备。

小结：这块等价于“多尺度滤波 + 功率特征 + 注意力加权”，最后把每个电极变成一个向量节点。

(B) 图学习块（Graph learning block）

B1. 局部-全局图的定义与通道重排

• 依据神经生理知识把电极分成若干局部图（功能区），并构建三套图：通用型、额叶型、半球型。它们共享思路：区内全连接、区间保留全局联系；为了聚合方便，先按局部图把通道重新排序。

B2. 本地图过滤层（Local graph-filtering）

• 邻接：每个局部图内完全连接（矩阵元素全为 1），假设同一区域的电极反映相似活动。
• 过滤（注意力）：对每个节点属性做可训练的逐元素加权（Hadamard 乘积），再过 ReLU，得到带注意力的节点表示
• 聚合：把每个局部图内的节点向量做平均聚合，得到该功能区的一个隐藏向量 hrlocal；所有局部图堆成 Zlocali（维度 = “局部图个数” × “特征长”）。

B3. 全局图过滤层（Global graph-filtering）

• 实例级相似性作为“全局基邻接”：先用各局部图的隐藏向量做两两点积，得到对称的 Aglobal-baseA（R×R，R 为局部图个数）。这刻画“哪两个功能区在当前样本里更相似”。
• 可学习注意力掩码 MMM：为不同样本的全局关联再加一层可学习权重（对称矩阵）。实际邻接用 Hadamard 乘把 MMM 作用到基邻接上，再加自环并过 ReLU：

B4. 分类头

• 把 Zglobali（也可拼上局部/时间特征）送入 MLP，输出类别概率（对应你图右上的“MLP → Output”）。

把图和流程对应起来（阅读指引）

• 左上(A)：三条多尺度 Conv1D → 功率层（平方/均值池化/取对数）→ 核级注意力融合 → reshape 成节点属性。
• 左下(B-Local)：通道重排→本地图过滤（Hadamard 注意力 + ReLU）→平均聚合成各功能区向量。
• 右下(B-Global)：各功能区向量做点积→ 得到 Aglobal-base乘以可学习掩码 MMM → +I、ReLU → GCN → MLP。

一句话记忆