扣带皮层折叠模式的无监督表征学习

基于摘要分析。该研究针对扣带皮层折叠模式个体差异大、难以通过人工或几何距离进行刻画的问题，比较 β-VAE 与 SimCLR 的无监督表征学习，并通过潜在空间聚类探索典型折叠模式。研究对象是脑皮层折叠的三维解剖结构，而非 EEG 信号或 BCI 解码。 方法上，作者以折叠模式的三维骨架表示作为输入，为 SimCLR 添加解码器以支持潜在空间分析，并提出基于折叠拓扑的数据增强。随后在潜在空间进行聚类，通过各簇折叠结构的平均表示、潜在空间插值与重建考察所学结构。摘要没有说明拓扑增强的具体操作、解码器的训练目标及其与表征学习的结合方式，相关实现尚未验证。 作者报告，上述分析揭示了新的模式结构，并认为结构化的无监督表征有助于发现尚未认识的折叠模式。摘要未提供数据集、样本量、划分协议、定量指标或两种模型的比较结果，因此不能据此判断 SimCLR 是否优于 β-VAE，也不能将潜在空间中的结构直接视为已验证的临床标志物。实验协议、消融及统计信息尚未验证。 作者提供了代码与实验资源地址，可作为后续核对实现与复现条件的入口，但资源内容及可运行性尚未验证。引入新的先验和整合其他脑数据模态属于作者提出的后续方向，不是本文已完成的多模态结果。当前摘要不足以建立其与 EEG/BCI 算法之间的具体机制对应，不据此推断 BCI 有效性。