使用图变换器学习动态功能连接性的表示，实验证明我们的方法在基于 fMRI 数据提取的功能连接性的性别分类和年龄回归任务中优于竞争基准。

Dec, 2023

利用动态功能连接图中的时空信息，我们提出了一种生成式自监督学习方法，通过大规模 fMRI 数据集的实证结果表明，我们的方法在下游任务的微调中能够学习到有价值的表示，并构建出准确且稳健的模型。

Dec, 2023

使用基于任务的功能磁共振成像 (task-based fMRI) 方法，结合 BOLD 对比度，基于任务的脑部反应进行衡量，本研究利用数据驱动的任务结构为指导，在自动识别孤独症任务中展示出空间时间分析的有效性，并提出了 STNAGNN 这个基于图神经网络的空间时间架构，用于解释和识别孤独症相关的空间时间性脑生物标记物。

Jun, 2024

通过建立大脑网络连接图，提出了一种空间 - 时间有向无环图卷积网络（ST-DAGCN），结合基于非线性结构方程模型的大脑表征学习方法，以推断功能连接性和分类脑部功能磁共振成像时间序列，并在两个公共数据库上进行验证，结果表明 ST-DAGCN 在脑部功能磁共振成像分类中明显优于现有模型，同时学习到有意义的功能连接边以帮助理解脑活动模式和疾病机制。

Dec, 2023

基于功能连接和神经影像数据，引入了门控图神经转换器（GGT）框架来预测认知指标，通过在费城神经发育队列（PNC）上进行实证验证，强调了该模型在识别与人类认知过程相关的关键神经连接方面的潜力。

Jan, 2024

本文提出了一种新的多模态时间图注意力网络框架 —— 联合核图注意力网络（Joint kernel Graph Attention Network，JGAT），结合了功能磁共振成像（fMRI）和扩散加权成像（DWI）的数据，可以保留动态信息，具有更好的编码能力。使用 JGAT 模型从多个 7T fMRI 数据集中对大脑进行解码任务，同时可以计算和学习到注意力得分（AS）和帧得分（FS）来定位多个信息时间段，并建立富有意义的动态通路。

Jun, 2023

本文提出了一个将注意机制与脉冲神经网络 (SNN) 相结合的新方法，以改进图表示学习的能力。该方法能够在学习过程中选择性地关注图中重要的节点和相应的特征，并在多个基准数据集上进行评估，结果显示其性能与现有的图学习技术相当。

Mar, 2024

通过比较深度学习和几何深度学习的各种建模技术来为未来的研究铺平道路，以有效利用典型的 fMRI 数据集以及其他类似数据集的丰富的时空域，从而为人们对健康和疾病中大脑动态的更加细致的理解、以及减少对专业临床专家的需求提供方法。

Feb, 2020

本文介绍了一种基于 Smooth Incremental Graphical Lasso Estimation (SINGLE) 算法的动态脑网络建模方法。通过应用 SINGLE 算法来分析 24 位健康患者进行选择 - 反应任务的功能磁共振成像数据，研究人员展示了伴随着认知任务的动态网络结构变化，特别是右侧额下回皮质区域的动态变化对于认知控制总起着重要作用，并可能在调控其他脑区之间的平衡中扮演关键角色。

Oct, 2013

该研究提出了一种基于 T1-MRI 的新型动态结构脑网络构建方法，该方法可以动态定位关键区域并限制其层次分布，用于结构化的脑网络构建，以预测轻度认知障碍（MCI）病例的转化情况并取得最佳效果。

May, 2023