CBrain：用于静息态 fMRI 脑警觉性检测的跨模态学习

基于摘要分析。该研究针对静息态 fMRI 中警觉性状态难以标注的问题，提出 CBrain，在训练阶段将 EEG 警觉性信息迁移到 fMRI 潜在空间，测试阶段仅使用 fMRI 预测清醒与困倦等警觉性状态。主要研究对象是 fMRI 警觉性检测，EEG 提供训练期辅助信息，并非 EEG 单模态解码或直接的 BCI 控制任务。 核心机制是利用跨模态学习，将 EEG 所提供的警觉性信息融入 fMRI 表征，从而降低推理时对 EEG、行为反应或瞳孔测量等外部指标的依赖。摘要未披露编码器结构、跨模态对齐方式、损失函数及警觉性标签的具体构建流程，这些实现细节尚未验证。 作者报告，在由未见被试组成的测试集上，模型以 10 个 fMRI 帧为预测粒度取得 81.07% 的 mF1，属于跨被试评估结果；摘要未说明 mF1 的具体平均方式，也未提供帧间隔，因此不能将该粒度换算为时间长度。作者还报告了未见任务，以及不同站点、不同扫描仪采集的静息态 fMRI 泛化实验，并认为结果显示出泛化潜力，但摘要未给出这些实验的具体指标，不能据此认定性能保持不变。 阅读与复现时应核对 EEG 与 fMRI 的时间对应、警觉性监督的生成方式、被试与数据划分、跨模态学习相对于仅用 fMRI 训练的增益，以及跨任务、跨站点评估的设置。样本规模、对照基线、消融及统计信息尚未验证。摘要提供了源代码地址，但代码可运行性、数据可获得性及完整复现条件尚未验证；现有证据不支持将其结果直接推广为 EEG/BCI 解码性能提升。