超越功能连接：基于 fMRI 的脑障碍分类的时间序列建模
计算机视觉与模式识别
2026-02-10 v1
摘要
功能性磁性共振成像（fMRI）通过捕获血氧水平依赖信号（BOLD 信号）实现非侵入式脑障碍分类。然而，大多数现有方法依赖通过皮尔逊相关系数计算的功能连接（FC），将 4D BOLD 信号简化为静态 2D 矩阵，丢弃了时间动态信息，仅捕获线性的区域间关系。在本研究中，我们对比评估了诸如 PatchTST、TimesNet 和 TimeMixer 等最新时序模型在原始 BOLD 信号上的表现，跨越五个公开数据集。结果表明，这些模型在传统 FC 方法上 consistently 优于，凸显了直接建模时间信息（如周期性振荡波动和漂移性慢基线趋势）的价值。基于此洞见，我们提出 DeCI 框架，集成两个关键原则：1）周期与漂移分解以分离每个 ROI（感兴趣区域）内的周期和漂移；2）信道独立以分别建模每个 ROI，提高鲁棒性并降低过拟合。广泛实验表明，DeCI 在分类准确率和泛化能力方面优于 FC 方法和时序基线方法。我们的发现主张转向 fMRI 分析中的端到端时序建模，以更好地捕获复杂脑动态。代码已公开于 https://github.com/Levi-Ackman/DeCI。
引用
@article{arxiv.2602.08262,
title = {Moving Beyond Functional Connectivity: Time-Series Modeling for fMRI-Based Brain Disorder Classification},
author = {Guoqi Yu and Xiaowei Hu and Angelica I. Aviles-Rivero and Anqi Qiu and Shujun Wang},
journal= {arXiv preprint arXiv:2602.08262},
year = {2026}
}
备注
This paper has been accepted by IEEE Transactions on Medical Imaging