基于 Graph-Variate Flow Matching 的高分辨率动态功能连接生成

基于摘要分析。本文研究 EEG 高分辨率动态功能连接（DFC）的生成问题，针对短时间窗协方差估计噪声大、常呈低秩的困难，提出类别条件生成模型 GVD-CFM，将 Graph-Variate Dynamic（GVD）连接结构与黎曼几何、条件流建模结合，生成保持对称正定（SPD）结构的完整连接轨迹。 核心机制是以稳定的试次级支持结构调制快速瞬时交互，通过 Hadamard 构造抑制伪波动、突出持续且有信息的连接。作者称该构造可将低秩瞬时连接从半正定锥提升至正定锥，无需添加 ridge 正则化或事后投影；这一保证所依赖的支持结构及数学条件尚未验证。 每个试次被表示为乘积黎曼流形上的 SPD GVD 矩阵序列，再经全局 log-Euclidean 微分同胚和可逆时间 DCT 基变换，进入欧氏坐标空间。基于 Transformer 的条件流联合建模所有谱模态，以非自回归方式生成完整高分辨率轨迹，并保持与有效 SPD 连接序列的精确对应。作者还指出，保留完整 DCT 基可形成时间基展开，使同一模型无需重训练即可在更密时间网格上解码；更密网格解码是否恢复了额外的真实动态信息，仍需评估证据支持。 在多个 EEG 运动想象数据集上，作者报告 GVD-CFM 相较于强原始信号生成基线及直接 GVD 空间生成基线，在留出数据的分布保真度、时间动态保持和合成到真实分类方面取得最强的总体表现，并具有计算效率优势。摘要未提供数据集名称、被试数、被试内或跨被试划分、具体指标与数值，不能据此量化提升或判断跨被试泛化。 复现时需核对试次级支持的估计方法、训练与评估划分、流匹配目标及条件输入、DCT 解码细节，以及合成到真实分类的训练和测试协议。实验协议、消融及统计信息尚未验证；当前证据支持其作为 EEG 连接轨迹生成方法的研究价值，但不足以确认对实际 BCI 性能的提升。