基于状态空间的向量量化对脑动态的层级刻画

基于摘要分析。该研究针对 fMRI 中脑功能状态及其转移的刻画问题，提出 Hierarchical State space-based Tokenization network（HST），以状态空间模型为基础，层级量化脑状态与转移，旨在形成具有代表性和稳定性的离散 token 表征，并支持脑动态亚稳态分析。 核心机制：亚稳态指暂时稳定的脑状态。作者指出，现有方法往往忽略脑状态之间的转移依赖，且难以将脑动态量化为代表性、稳定的嵌入。HST 将状态空间建模与层级 token 化结合，并采用改进的聚类式 Vector-Quantization Variational AutoEncoder（VQ-VAE），引入量化误差反馈及聚类以改善量化表现。摘要未说明层级的具体定义、状态空间模型形式、误差反馈路径、损失函数或训练与推理流程，这些实现细节尚未验证。 验证与结果：作者报告在两个公开 fMRI 数据集上验证了 HST，结果支持其刻画层级脑动态的有效性，并显示疾病诊断及重建方面的潜力。摘要未提供数据集名称、被试规模、划分协议、对照基线、指标或数值，因此目前不能判断改进幅度、跨被试泛化能力或临床适用性；实验协议、消融及统计信息尚未验证。复现时需核对 token 稳定性的定义与测量方式，以及状态空间建模、层级结构、聚类和量化误差反馈各自的贡献。 平台推测（待验证）：若 EEG 任务确实依赖持续状态及其转移，状态空间建模与离散量化可能为连续信号的状态表征提供可检验假设，但 fMRI 脑动态结果不等于 BCI 解码效果。可考虑复用时序建模与量化思路，需按 EEG 的采样特性和通道结构改造输入表征；低信噪比、被试差异、通道变化及小数据可能使 token 聚类不稳定。一个小规模检验是在固定跨被试划分下，对比包含与不包含状态转移建模的量化表征，同时测量重建误差、token 稳定性及下游解码指标。相关 EEG 工作尚未检索确认。