RS-MAE：基于静息态 fMRI 的神经精神疾病分类区域-状态掩码自编码器

基于摘要分析。该研究面向静息态 fMRI 的神经精神疾病分类，提出 region-state masked autoencoder（RS-MAE），针对动态功能连接（DFC）矩阵的信息冗余、连接型数据的表征适配及训练样本不足问题，结合掩码自编码、区域-状态嵌入与数据增强学习表征，再微调预训练编码器完成分类。 方法包含三个环节：引入 masked autoencoder（MAE）以减少 DFC 冗余并学习脑功能表征；用 region-state（RS）patch embedding 替代视频 MAE 的时空 patch embedding，以适配作者所强调的 DFC 拓扑局部性，而非空间局部性；通过 random state concatenation（RSC，随机状态拼接）增强 DFC 数据，缓解训练样本不足。摘要未给出具体掩码策略、重建目标、状态定义、拼接规则或编码器结构，这些实现细节尚未验证。 作者报告，在四个公开数据集对应的注意缺陷多动障碍（ADHD）、孤独症谱系障碍（ASD）、阿尔茨海默病（AD）和精神分裂症（SCZ）分类任务上，Accuracy 分别为 76.32%、77.25%、88.87% 和 76.53%。摘要未提供数据集名称、样本规模、类别构成、数据划分及对照基线，因此不能据此判断相对提升，也不能将不同任务的数值直接比较；实验协议、消融及统计信息尚未验证。 该工作的主要对象是 fMRI 衍生功能连接的疾病分类，并非直接的 BCI 控制或 EEG 解码。复现时需核对 DFC 构建方式、RS 嵌入如何编码脑区与状态、RSC 的操作单位，以及预训练与微调的数据边界；尤其需要区分表征适配、掩码学习与增强各自的贡献。当前材料不能确认其跨被试、跨站点或临床泛化能力，也不能将上述分类结果视为临床有效性证据。