立體視覺是人類感知三維空間深度的關鍵能力，但傳統臨床診斷依賴主觀反饋，存在個體差異大、精度不足的缺陷。隨著腦科學進展，研究者發現立體視覺處理會引發特定腦區（如額葉與枕葉）的神經電活動變化，這為客觀診斷提供了新思路。然而，腦電圖(EEG)信號具有非線性、高噪聲的特點，且不同腦區協同機制復雜，現有方法如靜態圖卷積網絡(GCN)難以捕捉動態功能連接，而常規卷積神經網絡(CNN)受限于局部感受野，無法有效建模全局腦區交互。

針對這些挑戰，南京大學鼓樓醫院團隊在《Expert Systems with Applications》發表研究，提出區域聚焦CNN結合動態自適應圖注意力網絡(RFCN-DAGAT)的新框架。該工作首次構建了1-back立體圖(1BS)數據集，采集10名健康受試者在0/1000角秒差異刺激下的EEG信號，通過分層特征學習實現立體視覺障礙的客觀識別。關鍵技術包括：1）區域聚焦CNN模塊(RFCN)分割腦區并提取時空特征；2）動態自適應圖注意力模塊(DAGAT)利用可學習向量計算節點相似度，結合軟閾值調整動態捕獲腦區連接；3）跨數據集驗證涵蓋1BS及公開數據集SRDA/SRDB。

方法學創新
研究團隊設計的三階段模型首先通過RFCN模塊的時空卷積提取初級運動皮層等局部特征，隨后DAGAT模塊引入兩個核心機制：獨立可學習向量使節點自主調整特征變換，自適應動態閾值則基于全局信息優化注意力權重。這種設計顯著提升了對額葉-枕葉功能連接的動態建模能力。

實驗結果
在1BS數據集上達到94.75%的識別準確率，較基線模型AMCNN-DGCN提升3.2%�？鐢祿�集測試中，SRDA/SRDB分別取得96.09%和95.83%的準確率，參數效率優于STGATE等對比模型。消融實驗證實DAGAT的動態閾值機制可使關鍵腦區注意力權重提升17.6%。

結論與展望
該研究通過神經機制引導的算法設計，首次實現從區域到全局的立體視覺EEG分層解碼。臨床層面，1BS數據集與RFCN-DAGAT模型為眼科醫生提供了量化診斷工具；方法論層面，動態閾值與獨立可學習向量的設計為腦電信號處理開辟新思路。未來可擴展至其他視覺認知障礙的輔助診斷。

（注：全文嚴格依據原文內容展開，未添加非文獻支持信息，專業術語如動態隨機點立體圖(DRDS)、1-back任務等均保留原文表述，技術細節如軟閾值調整、相位鎖定值(PLV)等均來自原文描述）