使用基于常微分方程的超图神经网络联合建模 fMRI 与 EEG 成像

基于摘要分析。本文研究异步采集的 fMRI 与 EEG 如何联合建模，提出超图框架 FE-NET，将 Neural ODEs 引入两种模态的联合表示，以应对血流动力学响应与神经振荡之间的差异，以及 ROI 间非一对一的对应关系。 研究动机包括同步采集的 fMRI-EEG 数据规模有限，以及两种模态在生理机制和动态响应上的显著差异。作者指出，现有基于图的多模态建模方法未充分考虑 ROI 间非一对一关系。FE-NET 采用超图而非仅以成对边描述关系，并结合基于常微分方程的建模；但摘要未说明超边构建规则、EEG 到 ROI 的映射、Neural ODEs 的状态变量、模态融合位置、损失函数或训练与推理流程，因此尚不能判断其如何具体处理异步性。作者将该组合用于异步 EEG 与 fMRI 联合建模的首次尝试作为贡献主张，该优先性尚未独立核验。 作者报告，FE-NET 在实验中优于多种先进的脑成像建模方法，但摘要未给出任务、数据集、被试数量、划分协议、对照名称、指标及数值，无法据此量化优势或评估跨被试、跨会话泛化。作者还指出异步采集相较同步采集成本更低，并据此强调实用性；具体成本依据及适用采集条件尚未验证。 复现需重点核对异步数据是否来自相同被试、采集间隔与配对方式、预处理和空间对齐、超图构建及 ODE 求解设置，并查验各模块贡献与统计可靠性。实验协议、消融及统计信息尚未验证。本文的主要对象是多模态脑成像联合建模，摘要未提供 BCI 解码任务或在线应用证据，不能将其性能主张直接视为 BCI 有效性。