时空感知图对比学习框架TAGSC：面向fMRI神经解码的细粒度预训练优化新范式

北京师范大学团队针对fMRI神经解码中标注数据稀缺、时空特征利用不足的难题，创新提出时空感知图自监督对比学习框架TAGSC。通过空间中心性掩码(SCM)和时间注意力掩码(TAM)构建对比视图，结合局部-全局时序特征提取器(TAE)和细粒度一致性损失，在HCP数据集上实现SOTA性能，为脑机制解析提供新工具。

　　

神经解码作为神经科学前沿领域，通过解析功能磁共振成像(fMRI)记录的神经元放电模式来识别脑状态特征，对揭示脑机制和疾病诊断具有重要意义。尽管深度学习技术推动了该领域发展，但其性能严重依赖大规模标注数据，而医学影像标注成本高昂且专家依赖性强。更关键的是，现有方法多聚焦脑区间功能连接(Functional Connectivity)分析，忽视了fMRI信号固有的时空动态特性。如何利用无标注数据构建能同时捕捉脑区协同(Spatial)与状态连续变化(Temporal)的预训练模型，成为亟待解决的科学难题。

北京师范大学人工智能学院李自由团队在《Pattern Recognition》发表研究，提出时空感知图自监督对比学习框架(Temporal-Aware Graph Self-supervised Contrastive learning, TAGSC)。该工作创新性地将图基础模型(Graph Foundation Model)理念引入神经解码，通过三方面突破实现性能提升：空间中心性掩码(Spatial Centrality Mask, SCM)基于脑区拓扑重要性进行自适应遮蔽，时间注意力掩码(Temporal Attentive Mask, TAM)通过滑动窗口保留时序连续性，二者协同生成对比视图；时序感知特征提取器(Temporal-Aware Extractor, TAE)包含时序校准模块和渐进式特征融合模块，实现从局部到全局的时空特征提取；细粒度一致性损失函数分别优化空间与时间视图的表示对齐。在人类连接组计划(Human Connectome Project, HCP)包含1091例受试者的数据集验证中，TAGSC在静息态(Rest-HCP)和任务态(Task-HCP)解码任务上均显著优于基线模型，同时识别出与工作记忆、运动控制相关的生物标记脑区。

关键技术方法包括：基于HCP公开数据集构建包含1200时间点的fMRI样本；SCM通过计算节点介数中心性生成空间增强视图，TAM采用注意力权重滑动窗口生成时间视图；TAE提取器包含时序校准(动态调整感受野)和渐进融合(分层聚合特征)模块；采用NT-Xent损失函数的改进版实现细粒度对比优化。

主要研究结果：

1. 神经解码性能对比：在7分类任务中，TAGSC平均准确率达86.7%，较最佳基线提升9.2%，证明时空联合建模的有效性。
2. 模块消融实验：单独移除SCM或TAE模块分别导致性能下降6.4%和8.1%，验证各组件必要性。
3. 生物标记物发现：解码权重分析揭示前额叶皮层(PFC)与默认模式网络(DMN)的关键作用，与认知神经科学发现一致。

该研究首次将时空预训练模型系统应用于神经解码，其创新性体现在三方面：方法论上，SCM/TAM数据增强策略突破传统随机遮蔽局限；技术上，TAE提取器实现脑状态连续变化的动态建模；应用上，为小样本脑疾病诊断提供通用预训练框架。作者指出未来可扩展至多模态脑电(EEG)/fMRI联合分析，推动脑机接口等应用发展。