用于建模脑结构连接与功能连接关系的监督图表示学习

基于摘要分析。本文研究脑结构连接（SC）与功能连接（FC）之间的关系，提出监督图表示学习方法，通过图编码器—解码器联合学习用于 FC 网络重建的节点表示和用于被试分类的整图表示。 机制上，编码器使用图卷积网络（GCN），将节点属性与网络拓扑整合为低维节点嵌入，以表征脑区间直接和间接的相互作用，并用于重建经验 FC 网络。模型进一步从节点嵌入学习整图向量表示，通过多目标损失端到端联合优化 FC 重建和被试分类。摘要未披露节点属性的具体定义、解码器结构、损失形式及各目标权重，这些细节尚未验证。 作者报告，在不饮酒者和重度饮酒者群体上的实验中，模型能够刻画 SC–FC 关系的群体模式，同时学习保留个体独特性的分类特征；识别出的关键脑子网络呈现显著组间差异。摘要未明确“被试分类”的具体标签含义，也未提供样本量、成像模态、训练测试划分、对照基线、性能指标或显著性检验细节，因此不能据此量化分类收益或判断泛化范围。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可复用机制是以图拓扑和节点属性联合编码，并以连接重建辅助分类；若应用于 EEG，需重新定义节点、连接及监督目标，而不能将 SC–FC 建模效果直接视为 EEG 解码效果。假设在相同划分和编码器条件下，连接重建辅助目标能改善小数据 EEG 分类，可比较加入与不加入该目标的模型；需警惕低信噪比导致连接估计不稳定、通道配置变化及跨被试差异使辅助目标失效。摘要未明确 SC 与 FC 数据的配对方式及规模要求，相关 EEG 工作尚未检索确认。本文主要研究对象仍是脑连接关系建模，而非 BCI 在线控制。