基于 Graph-Variate Flow Matching 的高分辨率动态功能连接生成

基于摘要分析。研究针对高时间分辨率动态功能连接（DFC）中短时间窗协方差估计噪声大、常呈低秩的问题，提出类别条件生成模型 GVD-CFM，在保留对称正定（SPD）流形结构的同时生成完整的脑网络连接轨迹，研究对象包括 EEG 运动想象数据。 核心机制是用试次级稳定支持调制快速瞬时交互，形成 Graph-Variate Dynamic（GVD）连接，以抑制伪波动并突出持续连接。作者称，Hadamard 构造可将低秩瞬时连接从半正定锥提升至正定锥，无需岭正则化或事后投影；这一结论的具体假设与适用条件仍需查阅正文核实。 模型将每个试次表示为乘积黎曼流形上的 SPD GVD 矩阵序列，再经全局 log-Euclidean 微分同胚和可逆时间 DCT 基变换至欧氏坐标。基于 Transformer 的条件流联合建模全部频谱模式，非自回归地生成整段轨迹，并保持与有效 SPD 序列的精确对应。作者还提出，保留完整 DCT 基可支持不重新训练而在更密时间网格上解码；该能力不宜直接理解为恢复了额外的真实高频神经信息。 作者报告，在多个 EEG 运动想象数据集上，相较于原始信号生成及直接 GVD 空间生成基线，GVD-CFM 在留出数据的分布保真度、时间动态保持及合成到真实分类评估中取得总体最优结果，并具有计算效率优势。摘要未提供数据集名称、被试数、被试内或跨被试等划分协议、指标数值及计算开销，尚不能据此量化收益或判断泛化范围。 复现重点是 GVD 支持矩阵的估计方式与正定性条件、生成与分类任务的数据划分、类别条件使用方式，以及加密时间网格后的动态保真度。实验协议、消融及统计信息尚未验证。