通过桥接体素活动与功能连接进行脑活动的无监督表征学习

基于摘要分析。该研究针对脑活动表征中体素活动与功能连接往往被分开建模的问题，提出无监督学习框架 BrainMixer，联合利用体素时间序列及其功能相关性，学习体素级表征。研究主要对象是体素层面的脑活动及功能连接，摘要未明确成像模态，不能据此视为 EEG 或 BCI 方法。 作者指出，既有部分体素活动方法以时间窗口内的聚合信息建立任务关联，难以保留时间动态；另一些方法在感兴趣区域层面建模功能连接，未充分利用体素级活动。BrainMixer 使用两个基于 MLP 的编码器，分别学习体素信号动态及功能相关结构：体素活动编码通过动态注意力融合时间维与体素维的信息；功能连接编码采用时间图分块，并通过自适应时间池化组合各分块内节点的特征。摘要未说明两路表征的具体耦合方式、无监督训练目标及损失形式。 作者报告，BrainMixer 在不同下游任务和设置中优于 14 个基线，但摘要未提供任务名称、数据集、被试规模、划分协议、评价指标或具体分数，因此尚不能判断优势幅度、跨被试泛化能力及不同设置间的一致性。实验协议、消融及统计信息尚未验证，代码与复现条件也需核对全文。 平台推测（待验证）：联合建模局部信号动态与连接结构的思路，可能对应 EEG 中时序信息与通道间关系难以共同利用的问题；但体素与 EEG 通道并不等价，需改造输入表征、连接估计及图分块方式。低信噪比、通道布局差异和小样本下连接估计不稳定均可能使迁移失败。一个可证伪的小实验是在固定 EEG 数据划分与训练预算下，对比时序单路、连接单路和联合编码，检验跨被试收益是否稳定存在。该假设不代表已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。