本文探讨了在图形上定义低频和高频信号、低通、高通和带通图滤波器等概念。我们提出了一种定义图信号总变化量的方法，从而在图上自然地引导出了一种频率排序。我们研究了具有指定频率响应的图滤波器的设计，并应用于传感器故障检测和数据分类。

Jul, 2013

本文概述了在图上信号处理的方法，从图谱论、多尺度变换的角度阐述了在处理高维数据的图结构方面的方法和挑战，并强调了考虑到图形数据不规则结构的重要性。

Oct, 2012

本文研究如何在图形信号处理领域中利用字典设计和变换方法来识别和利用加权图中信号的结构。通过定义广义卷积、平移和调制运算符等，我们实现了窗口傅里叶分析的图形处理方法，在任何未指定方向、连接、加权的图上对信号进行分析。

Jul, 2013

采用多模态分析方法的 EEG-fMRI 研究 最近在非侵入性神经影像学技术（如 EEG 和 fMRI）中得到了广泛应用，我们在此通过非线性融合方法、基于图像解析和深度学习等多个角度诠释该方法对人脑功能变化的研究所带来的新视角。

Jan, 2022

本文介绍了一种基于 Smooth Incremental Graphical Lasso Estimation (SINGLE) 算法的动态脑网络建模方法。通过应用 SINGLE 算法来分析 24 位健康患者进行选择 - 反应任务的功能磁共振成像数据，研究人员展示了伴随着认知任务的动态网络结构变化，特别是右侧额下回皮质区域的动态变化对于认知控制总起着重要作用，并可能在调控其他脑区之间的平衡中扮演关键角色。

Oct, 2013

本文回顾了图信号处理的一般概念，包括引入谱域、定义谱变换、引入图滤波、多尺度变换和滤波器组等内容。

Nov, 2017

通过结合网络科学和统计方法，将在功能神经影像研究中产生强大的分析工具，以促进我们对大脑功能及不同脑疾病的理解。

Feb, 2013

通过应用贝叶斯结构学习算法，该研究在传感器空间中学习了脑电图（EEG）的功能连接性，并将得到的功能连接图输入图卷积网络进行工作记忆负荷的分类，其在 154 名受试者的 6 种不同工作记忆负荷下表现出 95% 的最高分类准确性和 89% 的平均分类准确性，优于现有文献中提出的最先进的分类模型。此外，与最先进的功能连接估计方法进行跨受试者和同受试者的统计分析比较后，结果显示 alpha 波和 theta 波的分类准确性优于 beta 波。

Apr, 2024

通过系统综述和分类论述了基于图神经网络的脑电分类方法，发现光谱图卷积层在空间上存在较大优势，常见的节点特征为原始脑电信号和差分熵，同时提出了探索迁移学习方法和适当建模跨频率交互的方向。

Oct, 2023

本研究从傅里叶分析的角度研究了深度神经网络（DNNs）的训练过程，并提出了一种非常通用的频率原理（F-Principle），即 DNNs 通常从低到高频率拟合目标函数，在常用激活函数的规律性的影响下表现出异于传统迭代数值方案的行为。这种 F-Principle 说明 DNNs 有一个隐含的偏差，即倾向于通过低频函数来拟合训练数据，从而提供了 DNNs 在大多数实验数据集上的良好泛化能力和在奇偶函数或随机数据集上的较差泛化能力的解释。

Jan, 2019