基于时空注意力的脑连接组动态图表示学习

基于摘要分析。本文研究脑连接组中随时间变化的功能连接（FC）如何被图模型有效利用，提出 STAGIN，以脑图时间序列为输入学习动态图表示，并通过时空注意力提供解释线索；其主要对象是功能神经影像中的脑连接组，而非直接的 BCI 解码。 机制上，FC 由脑区活动的时间相关性刻画。相较于主要使用静态 FC 的图神经网络（GNN），STAGIN 显式处理动态图序列：READOUT 函数通过注意力提供空间解释，Transformer encoder 通过注意力提供时间解释。作者指出，既有部分动态 FC 方法相较静态 FC 方法出现性能下降，且未提供时间解释，但摘要不足以核对这些对照的具体条件。 作者报告，方法在 HCP-Rest 与 HCP-Task 数据集上取得较好表现，时空注意力分析也呈现与神经科学知识一致的解释。摘要未给出具体预测任务、指标数值、被试规模、数据划分或基线配置，因此尚不能判断性能提升幅度及跨被试泛化能力；注意力与既有知识的一致性也不等同于因果解释。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，具体预处理、动态图构建和训练复现条件仍需核对。 平台推测（待验证）：若用于 EEG 动态连接解码，可复用图序列编码与时空聚合思路，但需改造节点定义、连接估计和时间窗口，并处理低信噪比、通道差异及小样本下连接估计不稳定的问题。一个可检验的假设是：在相同 EEG 数据划分与训练预算下，动态图时空建模优于静态连接图；可通过静态图、动态图及时间顺序打乱对照检验。原领域结果不构成 EEG/BCI 有效性证据，相关 EEG 工作尚未检索确认。