学习可迁移且可解释的脑网络表征

基于摘要分析。该研究针对 fMRI 脑网络表征中固定功能连接（FC）难以捕捉时间动态、动态 FC 易受噪声影响的问题，提出 Brain Masked Auto-Encoder（BrainMAE），直接从 fMRI 时间序列学习表征，而非仅依赖预先计算的 FC。 核心机制包括基于嵌入的图注意力机制，以及自监督掩码自编码框架。作者认为，这一组合能够捕捉脑活动的时间动态，并提高对 fMRI 噪声的稳健性。摘要未交代图结构如何构建、嵌入的具体含义、掩码对象与比例、重建目标或损失形式，相关实现尚未验证。 作者报告，BrainMAE 在三个不同下游任务中均优于若干既有基线，但摘要未提供任务名称、数据集、被试规模、划分协议、指标或具体差值，因此尚不能判断优势的适用范围，也不能确认标题所指的可迁移性对应何种评估设置。作者还报告，模型表征的可解释性分析得到与既有神经科学研究相呼应的发现；具体解释方法、脑区关联及统计证据尚未验证。实验协议、消融及统计信息均需查阅全文核对。 该研究的主要对象是 fMRI 脑网络表征，并非直接验证 EEG 或 BCI。平台推测（待验证）：在以脑区或通道组织多变量时间序列时，图注意力与掩码建模可能为时空表征学习提供参考；但迁移到 EEG 需重新设计节点与连接定义、时间尺度及掩码目标，且可能受体积传导、低信噪比、通道配置差异和小样本条件影响。一个可证伪的小实验是，在固定 EEG 数据划分与训练预算下，对比完整机制、去除图注意力及去除掩码预训练的版本，检验跨被试表现与加噪后的稳定性。已有 EEG 相关工作尚未检索确认。