用于 fMRI 分析的层级时空状态空间建模

基于摘要分析。该研究面向 fMRI 神经学标志物发现，提出 functional spatiotemporal Mamba（FST-Mamba），以动态功能网络连接（dFNC）为输入，通过层级时空建模开展脑相关分类与回归任务；其主要研究对象是 fMRI 功能连接及其动态变化，并非直接的 BCI 控制或 EEG 解码。 核心机制：模型采用基于 Mamba 的编码器分别处理空间与时间信息。针对功能网络连接（FNC）矩阵的拓扑特点，component-wise varied-scale aggregation（CVA）聚合脑网络内各成分的连接信息，以兼顾成分级与网络级表征；symmetric rotary position encoding（SymRope）则在考虑 FNC 矩阵对称性的同时，编码功能连接之间的相对位置。摘要将这些设计置于无注意力序列建模框架中，但模型整体计算复杂度、具体结构与训练目标尚未验证。 结果与证据边界：作者报告，FST-Mamba 在多种脑相关分类与回归任务上取得显著改进，并展示了对预测重要的脑连接及动态特征。摘要未给出具体数据集、样本规模、划分方式、对照基线、指标或效应量，因此不能判断改进幅度、跨被试泛化能力或标志物的临床有效性。实验协议、消融及统计信息尚未验证。摘要提供了公开代码链接，但代码完整性、运行依赖与复现条件尚未核验。 平台推测（待验证）：若 EEG 任务采用随时间变化的对称连接矩阵，CVA 与 SymRope 可能为连接结构编码提供可检验的机制参考；这不代表原论文已验证 EEG/BCI 效果。迁移时需重新定义通道或源空间节点、连接估计方法及网络分组，不能直接沿用 fMRI 成分结构。低信噪比、连接估计不稳定、跨被试通道差异及小样本过拟合可能削弱收益。一个小规模检验是：在固定 EEG 连接构建与跨被试划分下，对比通用 Mamba、加入 CVA、加入 SymRope 及两者联合的表现，检验增益是否来自结构设计。相关 EEG 工作尚未检索确认。