基于 Transformers 的动态脑连接组大规模图表示学习

基于摘要分析。该研究针对脑功能连接随时间变化、静态表示难以充分刻画其动态特征的问题，提出利用 Graph Transformers 学习动态脑连接组表示的方法。其主要研究对象是静息态 fMRI 提取的功能连接图，而非 EEG 信号或 BCI 解码。 核心机制是定义 connectome embedding，将功能连接图的位置、结构与时间信息纳入表示，再通过 Transformers 学习跨时间的表征。摘要未说明这些信息的具体编码方式、动态图构建与时间窗口设置、训练目标及模型结构，相关实现尚待全文核对。 作者报告，在来自三个数据集的超过 50,000 个静息态 fMRI 样本上开展实验，并在基于功能连接的性别分类和年龄回归任务中优于所比较的竞争基线。摘要未提供数据集名称、具体指标与分数、基线名称、被试划分或跨数据集评估设置；样本数也不能直接等同于独立被试数。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可能为 EEG 动态功能连接表示提供参考，假设是位置、结构与时间的联合编码有助于保留时变连接信息。可复用的是动态图编码思路与跨时间表示学习框架；需改造的是 EEG 节点定义、连接估计及时间尺度。低信噪比、连接估计不稳定、跨被试与通道配置差异，以及小数据下的过拟合，都可能使迁移失效。一个可检验的小实验是在固定 EEG 数据、连接估计流程与跨被试划分下，比较静态连接表示与动态时序表示，并检验去除时间编码后的变化。上述仅为迁移假设，已有 EEG 相关工作尚未检索确认。