该论文针对连接信息，提出了无损整合整个人类大脑皮层的划分方法，利用聚类和流形学习技术、图形模型等手段，实现了对大脑结构和功能特征的准确提取，并对其进行了多层次评估。

Feb, 2018

本文基于耦合网络的优化框架，通过神经影像技术探讨了脑功能和解剖连接之间的关系。通过研究结构边缘和功能边缘之间的交互作用，提出的方法考虑了不同潜在网络过程的随机变量，不依赖于高斯假设，并实现了更强的鲁棒性。基于人类连接计划的多壳扩散和任务诱导 fMRI 数据集的验证，为研究耦合网络提供了新的见解。

Apr, 2021

采用多模态分析方法的 EEG-fMRI 研究 最近在非侵入性神经影像学技术（如 EEG 和 fMRI）中得到了广泛应用，我们在此通过非线性融合方法、基于图像解析和深度学习等多个角度诠释该方法对人脑功能变化的研究所带来的新视角。

Jan, 2022

本文提出了利用CBT（连接性脑模板）这一工具来捕捉人类大脑网络的代表特征和独特之处，通过使用DGN（深度图规范化器）等工具和方法，成功构建出一个统一的全貌式脑网络表示，并在多个数据集上进行了验证。

Apr, 2022

本研究提出了一种基于多尺度图谱和深度学习的方法，使用具有生物意义的多尺度图谱计算多尺度功能连接网络，并结合多尺度网络中区域之间的生物意义关系进行诊断信息提取，以实现更好地理解脑部疾病的神经病理学。实验证明该方法在阿尔茨海默病、轻度认知障碍和自闭症谱系障碍的诊断中比其他竞争方法更具优势。

Sep, 2022

本文提出将结构网络和功能网络耦合起来，提出一种联合图卷积网络（Joint-GCN）以分析结构和功能网络之间的关系，并在预测大脑白质网络年龄和性别方面进行应用，结果表明联合-GCN比现有的多模态图学习方法更有效。

Oct, 2022

考虑到多模态神经影像具有互补信息，本文提出了一种新的层次结构-功能连接融合（HSCF）模型，并在ADNI数据库上进行了测试，结果显示该模型在分类评估方面的表现优于其它竞争模型，能够更好地生成脑结构-功能连接并识别认知疾病的异常大脑连接。

Jun, 2023

本文提出了一种基于大脑模块化的动态表示学习框架，利用图神经网络和神经认知模块进行核心区域的提取，以更好地利用脑功能网络的模块化结构，探究有效的fMRI生物标记物用于临床诊断。

Jun, 2023

通过引入一种名为BrainNetDiff的新方法，结合多头变换器编码器从fMRI时间序列中提取相关特征，并结合条件潜在扩散模型进行大脑网络生成，从图像到图形的融合，显著提高了大脑网络生成的准确性和稳定性，验证了该框架在构建健康和神经学受损队列中的大脑网络方面的适用性，实验证明了该方法在下游疾病分类任务中的显著效果，突出了大脑网络研究的前景价值，特别是在神经影像学分析和疾病诊断中的关键意义，为多模态大脑影像数据处理提供了有价值的参考，并为神经影像领域引入了一种新的高效解决方案。

Nov, 2023

本研究针对现有机器学习在动态功能连接中的应用挑战，旨在通过分析大规模fMRI数据建立深度模型的实证指导。研究发现，当前模型在认知任务识别和疾病诊断中表现不一，提出了一般性选择机器学习方法的指导原则，以推动新的神经影像应用的发展。

Sep, 2024