用于探索衰老模式的自我监督多器官分割

《Biomedical Signal Processing and Control》：Self-supervised multi-organ segmentation for aging pattern exploration

情绪识别模型多样性研究基于EEG信号，构建Rashomon集合分析图神经网络（GNN）的模型多样性，结合SHAP解释性和PDI指标量化模型间差异，验证跨数据集（DEAP与DREAMER）的泛化能力，提出参数效率高的Rashomon-GNN框架，减少参数量达87%的同时保持高F1值，揭示不同模型依赖神经信号的多样性区域。

　　
近年来，脑电信号（EEG）的情绪识别研究在人工智能与神经科学交叉领域引发了广泛关注。传统方法往往聚焦于寻找单一最优模型，这种"单模型崇拜"不仅可能掩盖多样化的神经机制，还难以满足临床应用对可解释性和鲁棒性的需求。本研究突破性地构建了包含48种组合的高性能GNN模型集合，通过系统性分析模型多样性揭示了EEG情绪识别的深层规律。

在技术路径上，研究团队创新性地采用模块化设计，将特征提取与图结构构建解耦。特征工程涵盖时频域联合分析方法，包括Lorentzian谱熵、Hjorth运动参数、小波包分解等九种特征模态，有效捕捉不同情绪状态下脑电信号的复杂特征。图构建策略则融合功能连接与解剖约束，通过PLV（偏最小值分析）、相干度、互信息及振幅包络相关系数等六种连接度量，建立具有神经科学依据的脑网络拓扑。这种双通道模块化设计既保证计算效率，又为后续的多样性分析奠定基础。

核心贡献体现在三个维度：首先，构建了首个完整的EEG情绪识别Rashomon集合。研究团队在DEAP（32通道，32人）和DREAMER（14通道，23人）两个基准数据集上，通过leave-one-subject-out的严格验证，收集到包含前5%性能的327个模型样本。值得注意的是，DEAP数据集的32通道配置与DREAMER的14通道存在显著差异，但Rashomon集合的多样性指标（17%-31%）在两种场景下均保持稳定，这验证了模型多样性是数据结构不变的特性。

其次，提出的Pairwise Dissimilarity Index（PDI）为评估模型解释性提供了新视角。该指标通过SHAP值的空间分布差异和GNNExplainer的图结构异质性双维度计算，成功量化了高精度模型间的决策逻辑分化。实验显示，前5%高性能模型的PDI值比后5%高2.8倍，证实优质模型不仅预测准确，更具有互补性的解释特征。这种量化方法突破了传统混淆矩阵或特征重要性的局限性，能更精细地捕捉模型间的认知差异。

第三，研究建立了高效轻量化GNN架构。在保持F1指标超过90%的前提下，参数量仅5926个，相比传统深度模型（如Diff-MT的74,400个参数）减少82%。这种高效性源于三个创新：1）采用动态通道裁剪技术，根据不同情绪特征自动调整网络深度；2）引入注意力门控机制，选择性融合多模态特征；3）开发轻量级图注意力网络（GAT），通过谱归一化降低计算复杂度。实测显示，该模型在DEAP数据集的推理延迟仅15毫秒，内存占用控制在6.3GB以内，具备实际部署潜力。

实验结果揭示了EEG情绪识别的三大发现：其一，特征与图结构的组合存在"超线性"性能提升。例如，当使用熵特征结合PLV图构建时，DEAP数据集的F1值达到92.2%，而单一特征或图结构的模型性能均低于85%。其二，模型多样性具有神经科学解释。SHAP分析显示，不同模型关注的脑区存在显著差异：高唤醒模型多聚焦前额叶皮层，而高支配模型则集中在颞叶网络。PDI计算进一步证明，前5%的高性能模型在默认模式网络与突触网络之间的权重分配差异达37%。其三，跨数据集的泛化规律明确。尽管DREAMER的通道密度仅为DEAP的44%，但通过通道注意力机制和迁移学习适配，其F1值仍保持59%以上的水准，且Rashomon集合的多样性指数与DEAP数据集相比仅下降6%。

该研究对实际应用具有多重启示：在模型选择方面，单一最优模型可能误导认知，建议采用"模型集合+动态选择"策略，根据具体场景需求（如临床诊断关注可解释性，实时系统侧重推理速度）自动匹配最优模型组合。在技术优化层面，参数精简技术可使GNN模型在嵌入式设备上部署，这对可穿戴脑机接口设备的发展至关重要。更深远的意义在于，研究首次系统论证了"模型多样性即科学发现力"的理论，为后续研究提供了方法论框架——通过构建Rashomon集合，可同时获得高精度预测和丰富的认知线索，这对神经机制解码具有突破性价值。

当前研究仍存在可拓展空间：首先，验证了跨数据集的多样性稳定性，但尚未涉及跨文化群体的适用性；其次，SHAP-GNNExplainer的联合分析虽取得进展，但如何量化特征-图结构交互作用仍需深入探索；最后，在模型组合的实时动态切换算法上仍有优化空间。这些方向为后续研究指明了路径，特别在构建具有神经科学解释力的AI系统方面具有重要参考价值。

总体而言，该研究不仅实现了EEG情绪识别的准确率突破，更重要的是建立了模型多样性分析的理论体系。通过揭示高精度模型间的决策逻辑分化规律，为理解情绪产生的多路径神经机制提供了新工具。这种将AI可解释性理论与神经科学验证相结合的研究范式，正在重塑人机交互的认知基础，为发展既准确又可信的情绪识别系统开辟了全新道路。