定义并基准评估脑图构建的数据中心设计空间

基于摘要分析。该研究面向 fMRI 脑图构建，关注固定处理流水线如何忽略影响图机器学习表现的上游数据选择。作者从 Data-Centric AI 视角定义并基准评估脑图构建设计空间，主要贡献是比较现有及修改技术的组合，而非提出全新的模型组件。 设计空间分为三个阶段：时间信号处理、拓扑提取和图特征化。具体考察高幅度 BOLD 信号过滤、连接的稀疏化与统一化策略、不同相关性度量，以及节点和边的多视图特征，包括滞后动态信息。其核心问题是：在下游图学习之前，信号保留方式、连接关系定义及特征表达如何共同影响分类表现。摘要未给出各操作的精确定义、组合搜索方式或下游模型配置。 作者报告，在 HCP1200 和 ABIDE 数据集上，经过选择的数据中心配置相较标准流水线持续提高分类 Accuracy；摘要未提供具体数值、分类任务、样本规模、划分方式或基线细节，因此不能判断提升幅度及跨协议可比性。实验协议、消融及统计信息尚未验证。材料提供了代码仓库，但运行环境与复现条件尚未核对。 平台推测（待验证）：可迁移的假设是，上游脑图构建选择也可能影响 EEG 图学习，而不是上述 fMRI 结果已证明 BCI 有效。可复用的是按时间处理、拓扑与特征分阶段比较配置的评估思路；BOLD 过滤及滞后关系则需根据 EEG 的时间尺度、伪迹和传感器混合效应改造。低信噪比、通道差异、小样本及被试差异可能使连接估计不稳定。一个可证伪的小实验是在固定 EEG 数据划分和下游模型的条件下，仅改变相关性度量与稀疏化配置，分别检查被试内和跨被试 Accuracy 的变化及稳定性。已有 EEG 相关工作尚未检索确认。