SA-HGNN: Sample-Adaptive Hyperbolic Graph Neural Network for EEG-Based Depression Recognition

📄 arXiv: 2607.02063 📥 PDF

作者: Yang Li, Pan Hu, Yan Zhang, Wenfan Yang, Tao Wu, Lianbo Guo

分类: cs.LG, cs.AI

发布日期: 2026-07-05

💡 一句话要点

提出SA-HGNN以解决EEG抑郁症识别中的层次结构捕捉问题

🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting)

关键词: 脑电图 抑郁症识别 图神经网络 超曲率几何 样本自适应 注意力机制 功能连接 神经科学

📋 核心要点

  1. 现有方法在捕捉抑郁症患者脑网络的层次结构时存在困难，导致连接模式的准确性不足。
  2. 论文提出的SA-HGNN通过动态构建个性化脑网络拓扑，利用超曲率几何捕捉潜在层次关系，提升了模型的表达能力。
  3. 在公共EEG数据集上的实验结果显示，SA-HGNN在静息态和任务相关范式下均优于现有方法，验证了其鲁棒性和有效性。

📝 摘要（中文）

图神经网络（GNN）在捕捉空间功能连接模式以提升基于脑电图（EEG）的抑郁症识别性能方面得到了广泛应用。然而，抑郁症患者的脑网络功能连接具有固有的层次结构，使得准确捕捉连接模式变得困难。为了解决这些问题，本文提出了一种新模型——样本自适应超曲率图神经网络（SA-HGNN），旨在准确提取受抑郁影响的脑网络的真实层次结构。该模型包括三个核心模块：样本自适应图构建模块、超曲率图卷积和注意力池化模块。大量实验表明，该方法在静息态和任务相关范式下均表现出优越的性能，有效捕捉抑郁患者脑网络中的异常功能连接模式。

🔬 方法详解

问题定义：本文旨在解决抑郁症患者脑网络功能连接的层次结构捕捉问题。现有方法在处理这种复杂的层次结构时，往往无法准确反映真实的连接模式，导致识别性能不足。

核心思路：SA-HGNN的核心思路是通过样本自适应的方式构建个性化的脑网络拓扑，并结合超曲率图卷积，利用超曲率几何的优势来捕捉潜在的层次关系，从而提升抑郁症识别的准确性。

技术框架：SA-HGNN的整体架构包括三个主要模块：样本自适应图构建模块、超曲率图卷积模块和注意力池化模块。样本自适应图构建模块负责动态生成个性化的脑网络拓扑，超曲率图卷积模块用于处理图数据，注意力池化模块则用于过滤冗余噪声信号。

关键创新：SA-HGNN的主要创新在于引入了超曲率图卷积，克服了欧几里得空间的表示瓶颈，能够更精确地捕捉脑网络中的层次结构。这一设计与传统的图神经网络方法有本质区别。

关键设计：在模型设计中，样本自适应图构建模块采用动态调整的方式来适应不同患者的脑网络特征，超曲率图卷积模块则利用超曲率空间的特性来增强模型的表达能力，注意力池化模块通过自适应机制来减少噪声干扰，确保提取的层次结构更为真实。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在公共EEG数据集上的实验结果显示，SA-HGNN在静息态和任务相关范式下的识别准确率显著高于传统方法，尤其在噪声干扰情况下，表现出更强的鲁棒性，验证了其在捕捉异常功能连接模式方面的有效性。

🎯 应用场景

该研究的潜在应用领域包括临床抑郁症的早期诊断和干预，能够为精神健康领域提供更为精准的工具。此外，SA-HGNN的设计理念也可推广至其他神经科学研究和脑机接口等领域，具有重要的实际价值和未来影响。

📄 摘要（原文）

Graph Neural Networks (GNNs) have been widely used to capture spatial functional connectivity patterns to improve electroencephalography (EEG)-based depression recognition performance. However, the functional connectivity of brain networks in patients with depression exhibits an inherent hierarchical structure, making it difficult to capture accurate connection patterns. To address these issues, this paper proposes a novel model named Sample-Adaptive Hyperbolic Graph Neural Network (SA-HGNN), which aims to accurately extract the authentic hierarchical structure of depression-affected brain networks. Specifically, the proposed model comprises three core modules. First, a Sample-Adaptive Graph Construction module dynamically constructs personalized brain network topologies to capture more complex spatial relationships within the brain network. Second, hyperbolic graph convolution is employed to overcome the representation bottlenecks of Euclidean space, leveraging hyperbolic geometry to precisely capture latent hierarchical relationships within the brain network. Finally, an Attention Pooling module adaptively filters out highly redundant noise channels in EEG signals, effectively mitigating the interference of inherent noise on the authentic hierarchical topology. Extensive experiments on public EEG datasets demonstrate the superior performance of our method across resting-state and task-related paradigms, validating its robustness to noise and efficacy in capturing abnormal functional connectivity patterns in brain networks of patients with depression.