基于 Transformers 的动态脑连接组大规模图表示学习

基于摘要分析。本文研究静息态 fMRI 功能连接随时间变化时的图表示学习，提出以 connectome embedding 编码功能连接图的位置、结构和时间信息，再使用 Transformers 学习跨时间表示。其主要研究对象是动态脑功能连接组，而非 EEG 解码或 BCI 控制任务。 核心机制是将动态功能连接作为时序图表征问题处理，以补充静态功能连接表示对时间变化的刻画。摘要明确了嵌入所包含的三类信息，但未说明功能连接的计算与时间分段方式、各类信息的具体编码、Transformer 结构、训练目标及推理流程，这些均尚未验证。 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，基于提取的功能连接进行性别分类与年龄回归，并优于所比较的竞争基线。摘要未提供具体数据集名称、样本与独立被试的对应关系、训练与测试划分、指标数值或基线配置，因此不能判断优势幅度及跨被试、跨数据集泛化能力。实验协议、消融及统计信息尚未验证；作者关于数据规模的领先性表述也未独立核实。 平台推测（待验证）：若将该机制用于 EEG 动态功能连接表示，可复用图结构与时间信息联合建模的思路，但需改造连接估计、节点定义和时间尺度。假设其能缓解静态连接对时变脑状态刻画不足的问题，仍可能受 EEG 低信噪比、体积传导、通道配置差异及小样本过拟合影响。一个可检验的小实验是在固定连接估计与相同跨被试划分下，对比静态图表示、仅结构编码及结构加时间编码，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 或 BCI 有效性的证据。