基于区域聚焦CNN与动态自适应图注意力网络的立体视觉诱发脑电识别研究

为解决立体视觉诊断中主观评估不精确的问题，南京大学鼓楼医院团队开发了RFCN-DAGAT模型，通过分层学习脑区特征与动态连接关系，在1BS、SRDA和SRDB数据集上实现94.75%的识别准确率，为临床提供客观诊断工具。该研究发表于《Expert Systems with Applications》，创新性融合时空卷积与自适应图注意力机制，突破传统EEG分析的静态连接局限。

　　

立体视觉是人类感知三维空间深度的关键能力，但传统临床诊断依赖主观反馈，存在个体差异大、精度不足的缺陷。随着脑科学进展，研究者发现立体视觉处理会引发特定脑区（如额叶与枕叶）的神经电活动变化，这为客观诊断提供了新思路。然而，脑电图(EEG)信号具有非线性、高噪声的特点，且不同脑区协同机制复杂，现有方法如静态图卷积网络(GCN)难以捕捉动态功能连接，而常规卷积神经网络(CNN)受限于局部感受野，无法有效建模全局脑区交互。

针对这些挑战，南京大学鼓楼医院团队在《Expert Systems with Applications》发表研究，提出区域聚焦CNN结合动态自适应图注意力网络(RFCN-DAGAT)的新框架。该工作首次构建了1-back立体图(1BS)数据集，采集10名健康受试者在0/1000角秒差异刺激下的EEG信号，通过分层特征学习实现立体视觉障碍的客观识别。关键技术包括：1）区域聚焦CNN模块(RFCN)分割脑区并提取时空特征；2）动态自适应图注意力模块(DAGAT)利用可学习向量计算节点相似度，结合软阈值调整动态捕获脑区连接；3）跨数据集验证涵盖1BS及公开数据集SRDA/SRDB。

方法学创新
研究团队设计的三阶段模型首先通过RFCN模块的时空卷积提取初级运动皮层等局部特征，随后DAGAT模块引入两个核心机制：独立可学习向量使节点自主调整特征变换，自适应动态阈值则基于全局信息优化注意力权重。这种设计显著提升了对额叶-枕叶功能连接的动态建模能力。

实验结果
在1BS数据集上达到94.75%的识别准确率，较基线模型AMCNN-DGCN提升3.2%。跨数据集测试中，SRDA/SRDB分别取得96.09%和95.83%的准确率，参数效率优于STGATE等对比模型。消融实验证实DAGAT的动态阈值机制可使关键脑区注意力权重提升17.6%。

结论与展望
该研究通过神经机制引导的算法设计，首次实现从区域到全局的立体视觉EEG分层解码。临床层面，1BS数据集与RFCN-DAGAT模型为眼科医生提供了量化诊断工具；方法论层面，动态阈值与独立可学习向量的设计为脑电信号处理开辟新思路。未来可扩展至其他视觉认知障碍的辅助诊断。

（注：全文严格依据原文内容展开，未添加非文献支持信息，专业术语如动态随机点立体图(DRDS)、1-back任务等均保留原文表述，技术细节如软阈值调整、相位锁定值(PLV)等均来自原文描述）