GLAFE：通过全局—局部建模实现全脑 EEG-to-fMRI 预测

基于摘要分析。研究面向从 EEG 预测全脑 fMRI 的问题，目标是在重建各脑区 ROI 时间动态的同时，保留脑区间功能连接（FC）的空间结构。GLAFE 提出全局—局部自回归框架，将各脑区共享的全局成分与区域特异性波动分开建模，以协调时间动态和 FC 重建。 核心机制方面，局部信号预测使用区域特异性嵌入，通过 cross-attention 查询 EEG 特征；自回归模块利用此前生成的全脑 fMRI 进一步细化预测。摘要未说明全局成分的具体估计方式、训练损失、EEG 与 fMRI 的时间对齐方式，以及训练和推理时自回归输入的构造，这些实现条件尚未验证。 作者报告，在多个数据集和被试划分下，GLAFE 在几乎所有配置中的时间动态与 FC 重建指标上优于有竞争力的基线，并在未见数据集和任务上展示了零样本泛化能力。摘要未提供数据集名称、被试数量、具体划分、基线名称、指标定义或数值，因此不能量化提升，也不能将不同协议下的结果直接比较；实验协议、消融及统计信息尚未验证。 阅读与复现应重点核对：全局—局部分解及自回归模块各自的贡献，FC 的计算窗口和预处理方式，以及零样本评估中跨数据集的通道配置、ROI 定义和信号分布如何对齐。这项工作直接研究 EEG 与 fMRI 的跨模态预测，但摘要中的重建优势不等同于已验证的 BCI 解码收益，也不能据此认定预测结果可替代真实 fMRI 测量。