EHCPool是一种聚类图池化方法，用于提高GCNs的表示学习能力和获取异常脑图。该方法首次评估了节点特征的重要性，并设计了新的迭代N-top策略和创新的N-E聚合策略。在多个脑成像数据集上评估，取得了最先进的性能，是一种探测不同类型异常功能性脑网络潜力的深度学习工具。

本研究开发了一种名为EHCPool的聚类图池化方法，用于提高GCNs的表示学习能力和获取异常脑图。EHCPool首次基于边特征提出了“边到节点”的评估准则来评估节点特征的重要性。该方法在多个脑成像数据集上取得了最先进的性能，通过迭代N-top策略和创新的N-E聚合策略。这是第一种从数据驱动角度探测不同类型异常功能性脑网络潜力的深度学习工具。