核心—边缘原理引导的功能连接组分类状态空间模型

基于摘要分析。本文研究 fMRI 功能连接组分类，提出 Core-Periphery State-Space Model（CP-SSM），旨在兼顾脑区间复杂依赖的表征能力与计算效率，主要应用方向是基于神经影像的神经系统疾病诊断，而非直接研究 BCI 解码。 方法包含两个要点：采用选择性状态空间模型 Mamba，以线性复杂度建模功能脑网络中的长程依赖；引入核心—边缘组织原理指导的 Mixture-of-Experts 模块 CP-MoE，以改善脑连接模式的表示学习。摘要将核心—边缘结构描述为有助于高效信息传递的脑网络特征，但未说明核心与边缘如何识别、连接组如何序列化，以及专家路由如何利用该先验；这些机制及训练目标尚未验证。 作者报告，在 ABIDE 与 ADNI 两个 fMRI 基准数据集的分类评估中，CP-SSM 的分类表现优于 Transformer 类模型，并显著降低计算复杂度。摘要未提供具体分类任务、样本量、划分协议、指标数值、对照模型配置或运行资源，因此尚不能判断性能增益大小，也不能将理论复杂度优势等同于已量化的实际加速。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，复现时仍需核对数据预处理、功能连接构建、序列顺序和计算成本测量条件。 平台推测（待验证）：若 EEG 功能连接图中存在稳定且可估计的核心—边缘结构，CP-MoE 的结构先验与 Mamba 的依赖建模可能用于跨被试连接图分类。可考虑复用状态空间建模与专家模块，但需改造节点定义、连接估计及序列化方式；低信噪比、通道布局差异和小样本可能使结构估计不稳定或导致过拟合。一个可证伪的小实验是，在固定 EEG 连接构建流程与跨被试划分下，对比 Mamba、加入 CP-MoE 的模型及随机化核心—边缘分配的对照，同时测量分类指标与运行成本，以检验收益是否来自结构先验。相关 EEG 工作尚未检索确认。