定义并基准评估以数据为中心的脑图构建设计空间

基于摘要分析。本文研究如何从 fMRI 数据构建用于图机器学习的脑图，核心贡献是系统定义并评估以数据为中心的构建设计空间，而非主要提出新的模型组件。研究对象是图学习驱动的神经影像分类，摘要未提供 BCI 任务验证。 作者将构建过程分为三个阶段：时间信号处理、拓扑提取和图特征化。具体考察高幅值 BOLD 信号过滤、连接稀疏化与统一化策略、替代性相关度量，以及多视图节点和边特征，包括引入滞后动态信息。其方法重点是比较已有及修改后的技术组合如何影响下游表现，与主要围绕模型架构展开的研究形成对照。各处理操作的定义、组合搜索方式、图学习模型及训练细节尚未验证。 作者报告，在 HCP1200 和 ABIDE 数据集的分类实验中，经过选择的数据中心配置相较标准流程持续提高 Accuracy。摘要未给出具体分类目标、数值、被试数量、数据划分、标准流程的配置或统计不确定性，因此不能判断收益大小，也不能将其解释为已验证的跨被试或跨数据集泛化。实验协议、消融及统计信息尚未验证。 复现可从摘要提供的代码仓库入手，但代码完整性、运行环境和数据预处理要求尚未核对。重点应核对各阶段配置及其组合、基线定义，以及上游图构建选择是否在相同划分和下游模型条件下比较。 平台推测（待验证）：其“信号处理—连接拓扑—图特征”分解可能为 EEG 图学习提供可检验的设计框架，但 fMRI BOLD 与 EEG 的时间尺度和信号生成机制不同，不能直接移植过滤或滞后参数。可复用的是配置比较框架，需改造的是连接估计与时序特征；低信噪比、体积传导、通道差异和小样本可能使估计不稳定。若评估这一假设，可在固定 EEG 分类模型与跨被试划分下，仅比较相关度量和稀疏化配置，检验增益是否跨划分稳定。已有相关 EEG 工作尚未检索确认。