BrainSTR：面向可解释动态脑网络建模的时空对比学习
计算机视觉与模式识别
2026-03-11 v1
摘要
动态功能连接捕捉时间变化的脑状态，有助于更好的神经精神疾病诊断和时空可解释性，即识别诊断性疾病特征出现的时机以及它们在连接拓扑中的位置。可靠的可解释性面临主要挑战：诊断信号常在时空和拓扑之间稀疏分布，而杂质波动和非诊断性连接则普遍存在。为此，我们提出了 BrainSTR，一个用于可解释动态脑网络建模的时空对比学习框架。BrainSTR 通过数据驱动的自适应相分区模块学习状态一致的相边界，通过注意力机制识别诊断性关键相，通过以二值化、时序平滑和稀疏性正则化的增量图结构生成器提取每个相中的疾病相关连接。然后，我们引入一种时空监督对比学习方法，利用诊断相关的时空模式来细化样本之间的相似性度量，捕捉更具辨识力的时空特征，从而构建良好结构的语义空间，用于一致且可解释的表示。在 ASD、BD 和 MDD 上的实验验证了 BrainSTR 的有效性，发现的关键相和子网络提供了与先前神经影像发现一致的可解释证据。我们的代码：https://anonymous.4open.science/r/BrainSTR1。
引用
@article{arxiv.2603.09825,
title = {BrainSTR: Spatio-Temporal Contrastive Learning for Interpretable Dynamic Brain Network Modeling},
author = {Guiliang Guo and Guangqi Wen and Lingwen Liu and Ruoxian Song and Peng Cao and Jinzhu Yang and Fei Wang and Xiaoli Liu and Osmar R. Zaiane},
journal= {arXiv preprint arXiv:2603.09825},
year = {2026}
}