通过桥接体素活动与功能连接实现脑活动的无监督表征学习

基于摘要分析。该研究针对体素活动与功能连接往往被分开建模的问题，提出无监督学习框架 BrainMixer，联合利用体素时间序列及其功能连接，学习体素级表征。原研究对象是体素级脑活动及功能连接，并非直接针对 EEG 解码或 BCI 控制任务。 作者指出，既有研究中的一类方法以每个体素在时间窗口内汇总得到的单个 beta 权重表示活动，难以保留时间动态；另一类方法聚焦感兴趣区域层面的功能连接，未充分利用体素级活动。BrainMixer 使用两个基于 MLP 的编码器，分别学习体素信号动态及其功能相关性：体素活动编码通过动态自注意力机制融合时间维与体素维的信息；功能连接图编码采用 temporal graph patching，并通过新的自适应时间池化组合各 patch 内的节点特征。 作者报告，BrainMixer 在不同下游任务和实验设置中优于 13 个基线。摘要未给出数据集、被试数量、具体任务、划分协议、指标或提升幅度，因此不能据此判断跨被试泛化能力或量化收益。训练目标、两类编码器的耦合方式、功能连接构建方法，以及实验协议、消融及统计信息尚未验证；复现前还需核对时间窗口、预处理及实现可用性。 平台推测（待验证）：其“局部信号动态与功能关系结构联合编码”的思路可能对应 EEG 中时间信息与通道间依赖难以兼顾的问题，但这只是机制层面的迁移假设。可考虑复用双编码思路，需重新定义通道或源空间节点、连接估计及图 patch；低信噪比、体积传导、通道配置差异和小样本可能削弱连接结构的可靠性。一个可检验的小实验是在固定 EEG 数据划分下，对比时间序列单分支、连接单分支与联合编码，并控制模型容量，检验联合信息是否带来稳定收益。相关 EEG 既有工作尚未检索确认，原领域结果不构成 BCI 有效性证据。