面向 fMRI 编码与解码任务的非局部算子学习

功能性 MRI 数据具有高维时空结构，使得预测和解码都具有挑战性。本文探讨了用于 fMRI 编码和解码任务的神经积分算子模型，特别关注非局部时空背景的作用。我们实现了一个潜在神经积分算子框架，在辅助空间中执行固定点迭代，通过解码器进行分类和刺激预测。我们在两个开源 fMRI 数据集上对模型进行评估。我们的实验检验了短时程和长时程、以及使用视觉皮层与全脑记录之间的时空背景对性能和潜在空间几何的影响。对于所有任务和数据集，较大的时程窗口通常会提高结果并产生更结构化的学习表示。在解码实验中，所学的潜在空间往往比原始数据更清晰地表现出类别分离。尽管在编码实验中的绝对性能仍相对有限，这是该任务的固有难度所致，但更长的时程窗口仍然带来了一致的提升。这些发现表明，神经积分算子为建模 fMRI 动态提供了有前景的框架，而更广泛的时空背景对预测和表示学习都有益。更广泛地说，结果表明，针对脑动态中分布式非局部结构的建模需要专为捕获此类依赖关系而设计的模型架构。