贝叶斯距离加权Ising模型整合脑区分析

基于摘要分析。该研究针对神经影像中认知条件分类、任务相关脑区识别与功能连接通常分开分析的问题，提出 Bayesian distance-weighted Ising model，将三类目标纳入统一框架，并应用于年轻与老年成人的 fNIRS 静息态和任务相关活动分析。 模型以功能信号之间的连接关系刻画任务标签之间的依赖，并通过 ROI 特异性交互参数表达空间异质性、量化各脑区对任务区分的贡献。针对信号观测时间网格不一致，以及似然包含难以计算的归一化常数这两项推断困难，作者采用基函数展开与辅助变量 Markov chain Monte Carlo 算法。距离权重的具体定义、连接度量、先验及采样实现尚未验证。 作者报告，该方法在所分析的 fNIRS 数据中取得较高分类准确率，但摘要未给出数值、被试规模或数据划分，不能据此判断被试内、跨被试或跨会话泛化能力。作者报告，年轻成人左侧眶额皮层对任务区分的贡献强于背外侧前额叶和额极皮层，而老年成人的区域差异较不明显；老年成人对应 ROI 之间的双侧连接也更强，作者将其解释为与半球侧化减弱一致。这些区域贡献及连接结果不等同于因果作用。 该研究的直接对象是 fNIRS 任务相关脑区与连接分析，而非已验证的在线 BCI 解码。复现与解释需核对预处理、ROI 定义、分类评估协议、对照基线、后验不确定性及 MCMC 收敛诊断；实验协议、消融及统计信息尚未验证。