脳波（EEG）データの時空間的特徴を統合する動的GNN（Dynamic GNN）は発作感知に大きな潜在力を示したが、脳状態を示す根本的な力学捕捉には困難がある。既存の動的GNNは、時間的に固定された静的グラフに基づいており、発作の進行中の脳接続性の変化を反映していません。さらに、時間信号とグラフ構造、特にそれらの相互作用を共同でモデル化する試みが不足し、性能の一貫性が低下する。これらの問題を解決するために、本論文は、明示的な動的モデリングと時系列動的GNN法の効果と必要性を実証する理論的分析を提示する。これに基づいて、2つのストリームMambaアーキテクチャとラプラシアン位置エンコーディングで強化されたGCNを統合する新しい発作検出モデルであるEvoBrainを提案します。 EvoBrainは、ノードとエッジが時間とともに変化する明示的な動的グラフ構造を統合しています。その結果、AUROCを23％、F1スコアを30％向上させた。
