学习紧凑且独立于脑区分区的 fMRI 功能连接表示

基于摘要分析。研究针对 fMRI 功能连接在脑区分区层面表示时可能存在的冗余，以及不同个体与分区定义间的对应困难，探索以线性降维和非线性 autoencoder 学习紧凑潜在表示，并将已学习的映射用于另一数据集。 方法核心是预先从一个数据集的功能连接中学习到低维潜在空间的映射，再考察该映射在另一数据集上的泛化。研究比较了线性方法、非线性 autoencoder 及 variational autoencoder；摘要未给出具体线性算法、网络结构、损失、训练规模或功能连接构建方式。 作者报告，在所用性能基准下，从一个数据集学习的线性与非线性映射均能较好泛化至另一数据集。在二维潜在空间中，variational autoencoder 的表示效果优于线性方法；在 32 维时，线性与非线性方法的差异缩小，且表现可与 333 维脑区分区空间表示相当。摘要未说明这些比较对应的具体任务、指标、数据集及划分，因此不能据此量化性能收益或比较不同协议的效果。 作者将固定变换得到的低维表示视为促进跨分区对应、可复现性与开放科学的潜在途径。但摘要尚不足以确认其如何处理不同分区定义的输入，以及是否直接验证了跨分区对应。实验协议、消融及统计信息尚未验证。本研究主要对象是 fMRI 功能连接表示，并非 BCI 解码；材料未提供 EEG 或 BCI 有效性证据。