BrainMAE: A Region-aware Self-supervised Learning Framework for Brain Signals

人类大脑是一个复杂、动态的网络，通常使用功能性磁共振成像(fMRI)研究，并建模为一些感兴趣区域(ROIs)的网络，以理解各种脑功能。最近的研究利用深度学习方法，基于功能连接(FC)模式学习脑网络表示，大致分为两类。固定FC方法利用FC模式表示脑网络内的线性时间关系，但无法捕捉信息丰富的脑部时间动态。另一方面，动态FC方法对处理内在噪声的fMRI数据的挑战较大，通常表现出不太令人满意的性能。为了解决这些挑战，我们提出了Brain Masked Auto-Encoder(BrainMAE)，用于直接学习fMRI时间序列数据的表示。我们的方法包括两个基本组成部分：一个区域感知的图形关注机制，旨在捕捉不同脑ROIs之间的关系，以及一个新颖的自我监督的掩蔽自编码框架，用于有效的模型预训练。这些组件使模型能够捕捉丰富的脑活动时间动态，同时保持对fMRI数据内在噪声的弹性。我们的实验表明，BrainMAE在四个不同的下游任务中始终优于已建立的基准方法。最后，利用模型固有的可解释性，我们对模型生成的表示进行分析，发现与神经科学领域的正在进行的研究相 resonates 的发现。

论文旨在解决基于fMRI数据学习大脑网络表示的固定和动态方法的局限性，提出了一种Brain Masked Auto-Encoder（BrainMAE）来学习来自fMRI时间序列数据的表示。

BrainMAE结合了区域感知的图注意机制和自监督的掩码自编码框架，可以捕捉大脑活动的丰富时间动态，同时保持对fMRI数据中固有噪声的鲁棒性。

论文通过实验验证了BrainMAE在四个不同的下游任务中显著优于已有基线方法，同时模型的可解释性也使得研究人员可以从中发现与神经科学领域相关的发现。

该领域的最新研究包括使用深度学习方法学习大脑网络表示的固定和动态方法，以及利用fMRI数据进行大脑活动建模的其他方法。其中一些研究包括“Deep Graph Convolutional Neural Networks for Brain Imaging Analysis”和“Dynamic functional connectivity analysis reveals improved association with working memory performance”。