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。本文研究如何同时利用体素级时间活动与脑功能连接学习脑活动表征，提出无监督框架 BrainMixer，以连接结构和对应体素时间序列共同学习体素级表征。原研究对象是体素级脑活动及功能连接，并非已验证的 EEG 或 BCI 方法。 作者指出，两类既有研究分别侧重以单个 beta 权重概括体素活动，或侧重脑区级功能连接，因而可能忽略体素时间动态或体素级活动信息。BrainMixer 使用两个基于 MLP 的编码器，分别学习体素信号动态及其功能相关性：体素活动编码通过动态自注意力机制融合时间维与体素维信息；功能连接图编码采用 temporal graph patching，并通过新的自适应时间池化聚合各 patch 内节点特征。摘要未给出具体训练目标、损失形式及两类表征的融合细节。 作者报告，BrainMixer 在不同下游任务和实验设置中优于 14 个基线；但摘要未列出任务名称、数据集、被试规模、划分方式、指标及具体数值，因此尚不能判断收益大小或跨被试泛化能力。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其联合建模时间信号与连接结构的思路可能对应 EEG 中时序特征与通道关系难以兼顾的问题，但体素与 EEG 通道并不等价。迁移需重新定义节点、连接估计与时间分块，并核对原方法对数据规模和监督信息的实际依赖；低信噪比、体积传导、通道布局差异及小样本可能使连接结构不稳定。一个可检验的小实验是在固定跨被试划分和同一评估指标下，比较仅时序编码与加入连接编码的表征，并通过打乱连接检验增益是否依赖连接结构。该方案仅是假设，已有 EEG 相关工作尚未检索确认。