通过桥接体素活动与功能连接进行脑活动无监督表征学习

基于摘要分析。本文研究如何在脑活动表征学习中同时保留体素级时间动态与功能连接信息，提出无监督框架 BrainMixer，联合利用体素时间序列及其功能相关性学习体素级表征。其主要研究对象是体素活动与脑功能连接，并非直接针对 EEG 或 BCI 解码。 作者指出，既有研究往往侧重时间窗口内聚合得到的单个体素 beta 权重，或侧重感兴趣区层面的功能连接，因而难以兼顾体素级活动及其动态。BrainMixer 使用两个基于 MLP 的编码器：体素活动编码部分通过动态自注意力机制融合时间维与体素维信息；功能连接编码部分采用 temporal graph patching，并通过新的自适应时间池化组合各 patch 内的节点特征。摘要未交代两类表征的具体融合方式、无监督训练目标及图构建细节。 作者报告，在多种下游任务与实验设置中，BrainMixer 优于 13 个基线；摘要未给出任务名称、数据集、被试数量、划分方式或具体指标，因此不能据此判断提升幅度及跨被试、跨会话泛化能力。实验协议、消融及统计信息尚未验证，复现还需核对预处理、时间窗口、连接估计方式与实现条件。 平台推测（待验证）：联合时间信号与连接结构的机制，可能为 EEG 中局部动态与通道间依赖的联合建模提供参考，但原方法依赖体素时间序列及功能连接图，不能直接等同于 EEG 通道结构。若探索迁移，可保留双编码思路，改造节点定义、图构建和时间池化；低信噪比、容积传导、通道配置差异及小数据可能使连接估计不稳定。一个可检验的小实验是在同一 EEG 数据划分与训练预算下，比较仅时间序列编码、仅连接编码和联合编码，观察联合信息是否带来稳定增益。已有 EEG 相关工作尚未检索确认。