Journal of Neural Engineering· Haoxiang Chen, Sha Zhao, Jie Yu, Jiquan Wang, Yumeng Bai, Chuan Xu, Shijian Li, Benyan Luo and Gang Pan·· 24 天前AI 评分28
BRAINet：面向脑区感知的 EEG 意识障碍三分类诊断交互网络
BRAINet: a brain-region-aware interaction network for EEG-based diagnosis of disorders of consciousness
AI 导读
研究团队提出 BRAINet，一个脑区感知的 EEG 框架，用于区分 UWS、MCS- 与 MCS+ 三类意识障碍。该方法将 EEG 通道划分为五个解剖脑区，提取区域特异性时空与频谱特征，用基于 Transformer 的注意力模块建模跨脑区交互，并融合近似熵特征分类。
AI 要点
团队
Haoxiang Chen、Sha Zhao、Jie Yu 等，末位作者 Gang Pan（浙江大学团队）
主要结果
BRAINet 在对比方法中数值表现最高：五折平均平衡准确率 epoch 级 54.07%、受试者级 59.89%；合并患者级 OOF 预测的 BA 显著高于最佳基线 Conformer。
解决什么问题
现有 EEG 方法多只做 UWS/MCS 二分类，且把 EEG 通道作为整体处理，未显式建模解剖脑区组织；本研究要区分 UWS、MCS- 和 MCS+ 三类。
方法
提出 BRAINet：将 EEG 通道划分为五个解剖脑区，提取区域特异的时空与频谱特征，用 Transformer 注意力模块建模跨区交互，并融合近似熵特征分类。在 22 例 UWS、24 例 MCS-、15 例 MCS+ 的静息态 EEG 数据集上做患者级五折交叉验证。
局限
从研究设计看，为单中心临床数据集上的可行性研究，样本量有限（共 61 例），受试者级平衡准确率约 59.89%。
AI 依据原文整理，未经人工核对。
来源：Journal of Neural Engineering · iopscience.iop.org