基于 Transformers 的动态脑连接组大规模图表征学习

基于摘要分析。该研究针对脑功能连接随时间变化、静态表征难以充分刻画其动态特征的问题，提出以 Graph Transformers 学习动态功能连接图的表征。研究对象是静息态 fMRI 功能连接网络，评估任务为性别分类与年龄回归，而非 BCI 控制或神经信号解码。 方法核心是定义 connectome embedding，将功能连接图的位置、结构及时间信息纳入表示，再利用 Transformers 学习跨时间的表征。其方法重点在于显式建模功能连接的时间动态；摘要未说明图的构建方式、时间窗口设置、各类信息的编码形式、训练目标及模型规模，这些实现细节尚未验证。 作者报告，在来自三个数据集的超过 50,000 个静息态 fMRI 样本上开展实验，并在基于功能连接的性别分类和年龄回归任务中优于所比较的竞争基线。摘要未提供数据集名称、样本与独立被试的对应关系、被试内或跨被试划分、是否进行跨数据集测试、具体指标及提升幅度，因此不能据此判断泛化范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 能构建具有稳定节点定义的动态功能连接图，位置—结构—时间联合编码可作为刻画连接变化的候选机制；可复用的是图时序表征思路，需改造的是 EEG 连接估计、通道或源空间节点定义及时间尺度。低信噪比、体积传导、跨被试通道差异与小样本可能使模型学习到不稳定连接或个体特征。一个可证伪的小实验是在固定被试独立划分、连接估计及模型容量的条件下，对比静态连接表征、动态表征与打乱时间顺序的动态表征，检验时间信息是否带来稳定增益。相关 EEG 工作尚未检索确认，原文结果不构成 EEG/BCI 有效性的证据。