網易首頁 > 網易號 > 正文申請入駐

科研最前沿 | AI與腦機接口專題

2026-05-24 17:32:56　來源: PsyBrain腦心前沿

北京舉報

分享至

? 本期20-25篇代表性預印本

01. 從神經活動直接到句子：跨物種神經基礎模型推動語音腦機接口端到端解碼

02. 低信噪比 EEG 也能接入 LLM？RAG 框架嘗試把閱讀腦電譯成句子

03. EEG 基礎模型真的通用嗎？NeuroAtlas 用 42 個數據集給出冷靜基準

04. 把頭皮 EEG 預訓練遷移到 ECoG：面向少校準侵入式 BCI 的跨模態解碼

05. 遮擋視圖也要對齊：DARE-EEG 為 EEG 基礎模型補上跨數據集穩健性

06. 不再把 fMRI 壓平成向量：功能網絡先驗讓視覺腦解碼更可解釋

07. 想象書寫能零樣本解碼嗎？運動皮層的筆畫動力學為開放詞表 iBCI 提供線索

08. 能從頭皮 EEG 估計顱內信號嗎？跨被試 Transformer 探索非侵入到侵入記錄的橋接

09. 不只靠閃爍刺激：運動視覺誘發電位為視覺 BCI 提供另一種入口

10. EEG 驅動的閉環音樂干預：從即時情緒狀態到個性化生成

11. 看似支持也可能升級痛苦：LLM 心理回應需要同時測量調節與升級

12. AI 寫出的目標更 SMART，卻可能更“不屬于我”

13. 幾分鐘自然說話能估計心理幸福感嗎？LLM 零樣本預測的機會與偏差

14. 內心敘事如何參數化情緒狀態：用 LLM 表征刻畫抑郁體驗的幾何結構

15. 自發注意轉移能從 EEG 中讀出嗎？面向異步腦機接口的個體化特征解釋

16. 別再直接拿人類心理測驗評價 AI：需要 AI 專屬測量框架

17. 模型越大越像語言腦活動嗎？LLM 尺度與自然語言 ECoG 表征的對應關系

18. EEG 解碼別只報準確率：SVM 正則化和交叉驗證設置會怎樣改變結果

19. 從腦激活圖預測認知概念：NiCLIP 把神經影像、文本和 CLIP 對齊

20. 一場好對話如何同步：從語音收斂到雙人 EEG 耦合

21. 同一海馬-眶額網絡，慢 theta 和快 theta 對工作記憶產生相反作用

22. RNN 如何表示時間與決策：多種動力學解法可產生相似行為

23. 眼跳會選擇記憶中的位置，也可能擴散到同一物體

24. 習慣在行動前已被悄悄激活：EEG 揭示人類習慣控制的隱性競爭

25. 用 DESINE 看動態 fMRI：精神分裂癥的腦網絡空間組合更受限

本期25篇代表性預印本

arXiv · 2026-05-13

A cross-species neural foundation model for end-to-end speech decoding

從神經活動直接到句子：跨物種神經基礎模型推動語音腦機接口端到端解碼

Yizi Zhang

https://arxiv.org/abs/2511.21740

背景：語音 BCI 如何繞過傳統“先解碼音素、再拼成句子”的級聯流程，直接把嘗試或想象說話的神經活動譯成文本。

方法：構建 BraIn-to-Text 框架，使用跨任務、跨物種預訓練神經編碼器，并與音頻 LLM 和對比學習結合，評估嘗試說話和想象說話的解碼。

結果：作者報告，該方法在 Brain-to-Text 2024 和 2025 基準上提升級聯解碼表現，端到端設置中將既有方法的詞錯誤率從 24.69% 降至 10.22%，并改善嘗試說話到想象說話的遷移。

價值：它把神經基礎模型、LLM 和臨床通信 BCI 放在同一條可優化管線中，是本期最直接的 AI-BCI 交叉條目。

arXiv · 2026-05-17

RAG-based EEG-to-Text Translation Using Deep Learning and LLMs

低信噪比 EEG 也能接入 LLM？RAG 框架嘗試把閱讀腦電譯成句子

Enrico Collautti

https://arxiv.org/abs/2605.17503

背景：非侵入 EEG 是否包含足夠的語言語義信息，能支持句子級 EEG-to-text 腦機接口。

方法：在 ZuCo 靜默閱讀單試次 EEG 數據上，訓練 EEG 編碼器對齊句子語義嵌入，再通過向量檢索和 LLM 生成更連貫的句子輸出。

結果：作者報告，在 9 名被試中，該流程相對隨機基線提高平均余弦相似度，且在無真實標簽參與推斷的嚴格流程下達到統計顯著。

價值：它展示了 RAG 和 LLM 在 EEG 語義解碼中的一種謹慎用法，同時保留了與隨機基線比較的必要控制。

arXiv · 2026-05-14

NeuroAtlas: Benchmarking Foundation Models for Clinical EEG and Brain-Computer Interfaces

EEG 基礎模型真的通用嗎？NeuroAtlas 用 42 個數據集給出冷靜基準

Konstantinos Kontras

https://arxiv.org/abs/2605.14698

背景：當前 EEG 基礎模型是否能在臨床 EEG 和 BCI 任務上穩定優于監督基線和通用時間序列模型。

方法：整合 42 個數據集和 26 萬小時 EEG，覆蓋癲癇、睡眠、腦齡估計和 BCI，并使用更貼近臨床任務的評估指標。

結果：作者報告，EEG 專用基礎模型并不穩定優于通用時間序列基礎模型；不同領域和數據集內的模型排序變化較大，傳統機器學習指標不足以反映臨床效用。

價值：它提醒領域不要過早相信“統一 EEG 基礎模型”，也為后續 BCI/臨床 EEG 模型提供了更嚴格的評測框架。

arXiv · 2026-05-11

CORTEG: Foundation Models Enable Cross-Modality Representation Transfer from Scalp to Intracranial Brain Recordings

把頭皮 EEG 預訓練遷移到 ECoG：面向少校準侵入式 BCI 的跨模態解碼

Liuyin Yang

https://arxiv.org/abs/2605.10337

背景：頭皮 EEG 基礎模型能否遷移到 ECoG，減少侵入式 BCI 對每位患者大量校準數據的依賴。

方法：提出 CORTEG，結合預訓練 EEG 基礎模型、 electrode-aware 空間適配器、低頻與高伽馬雙流 tokenizer，以及留一被試微調策略，評估手指軌跡和音頻包絡回歸。

結果：作者報告，CORTEG 在兩個 ECoG 回歸任務上達到或超過強任務專用基線，尤其在低數據校準場景和音頻任務中表現更好。

價值：它直接針對臨床 BCI 的可部署性問題：新患者適配時間、跨患者泛化和侵入式數據稀缺。

arXiv · 2026-05-18

DARE-EEG: A Foundation Model for Mining Dual-Aligned Representation of EEG

遮擋視圖也要對齊：DARE-EEG 為 EEG 基礎模型補上跨數據集穩健性

Yang Shao

https://arxiv.org/abs/2605.18298

背景：EEG 基礎模型在遮擋重建預訓練中，如何避免不同遮擋視圖學到不一致的潛在表征。

方法：提出雙對齊自監督預訓練，包括 masked views 之間的對比 mask alignment 和面向完整特征的 anchor alignment，并用 conv-linear-probing 適配不同電極配置和采樣率。

結果：作者報告，DARE-EEG 在多種 EEG 基準上取得較高準確率，同時保持較低參數復雜度和更好的跨數據集可遷移性。

價值：BCI 模型的核心困難不是只在單一數據集上高分，而是跨設備、跨被試和跨任務可遷移；這篇正面處理該問題。

arXiv · 2026-05-19

FPED: A Functional-Network Prior-Guided Mixture-of-Experts Framework for Interpretable Brain Decoding

不再把 fMRI 壓平成向量：功能網絡先驗讓視覺腦解碼更可解釋

Yudan Ren

https://arxiv.org/abs/2605.19279

背景：視覺圖像重建式腦解碼如何在利用 CLIP 等 AI 表征的同時，保留 fMRI 功能網絡拓撲和神經科學可解釋性。

方法：提出 FPED，將不同功能腦網絡建模為 mixture-of-experts 中的專門專家，并用自適應路由學習各網絡對視覺語義的貢獻。

結果：作者報告，FPED 以 0.68B 參數達到有競爭力的語義重建表現，路由動態顯示出功能網絡與模態特異語義處理之間的對應關系。

價值：它把視覺腦解碼從“黑箱映射到圖像空間”推進到網絡層面的可解釋建模，更接近認知神經科學問題。

arXiv · 2026-05-18

Conserved Kinematic Representations enable Zero-Shot Decoding in Handwriting BCIs

想象書寫能零樣本解碼嗎？運動皮層的筆畫動力學為開放詞表 iBCI 提供線索

Srinivas Ravishankar

https://arxiv.org/abs/2605.19048

背景：面向中文、日文等超大字符集時，手寫 iBCI 是否可以利用共享運動原語解碼訓練中未出現過的字符。

方法：將神經活動與想象書寫的運動學表征對齊，訓練可零樣本解碼未見字符的機器學習模型。

結果：作者報告，該模型在未見字母上達到 64% hits@3 檢索表現，提示不同字符環境中存在較穩健的筆畫運動學表征。

價值：它把 BCI 性能問題轉化為運動神經科學問題，對擴展到非拼音文字系統特別重要。

arXiv · 2026-05-17

Cross-Subject Intracranial EEG Reconstruction from Scalp Recordings Using Multi-Scale Cross-Attention Transformers

能從頭皮 EEG 估計顱內信號嗎？跨被試 Transformer 探索非侵入到侵入記錄的橋接

Tien-Dat Pham

https://arxiv.org/abs/2605.18897

背景：是否能在未見患者上，用頭皮 EEG 重建部分 iEEG 信號，從而降低侵入式訓練數據需求。

方法：提出 CAST，兩階段遷移學習框架先提取多尺度時間表征，再用少量目標被試數據校準通道感知解碼器，并在公開數據上進行留一被試驗證。

結果：作者報告，CAST 對靠近頭皮的皮層信號重建較好，在可觀測感覺運動區域達到較高相關，且少量校準即可適配新硬件配置。

價值：這類方法不能替代侵入記錄，但為 BCI 的低風險篩查、患者適配和跨模態建模提供了值得檢驗的路線。

arXiv · 2026-05-15

Beyond Flickering: Introducing Code-Modulated Motion Visual Evoked Potentials for Brain-Computer Interfacing

不只靠閃爍刺激：運動視覺誘發電位為視覺 BCI 提供另一種入口

Hanneke Scheppink

https://arxiv.org/abs/2605.15801

背景：視覺 BCI 能否用運動調制替代傳統閃爍刺激，減少刺激形式單一帶來的限制。

方法：提出 code-modulated motion visual evoked potential，在離線 EEG 實驗中比較 c-MVEP、c-VEP、SSMVEP 和 SSVEP，并在四分類在線 BCI 中測試可行性。

結果：作者報告，c-MVEP 在線 BCI 平均準確率為 85.67%，平均選擇時間為 2.61 秒，低于 c-VEP 和 SSVEP，但高于 SSMVEP。

價值：它以范式創新而非單純模型調參推進 BCI，適合關注刺激設計、用戶體驗和信號質量的讀者。

arXiv · 2026-05-16

MindMelody: A Closed-Loop EEG-Driven System for Personalized Music Intervention

EEG 驅動的閉環音樂干預：從即時情緒狀態到個性化生成

Yimeng Zhang

https://arxiv.org/abs/2605.01235

背景：音樂干預能否根據使用者即時腦電情緒狀態動態調整，而不是依賴靜態偏好。

方法：構建閉環系統，先用 Transformer-GNN 從 EEG 解碼 valence-arousal 狀態，再用 RAG-LLM 形成干預計劃，并通過分層 EEG controller 調控音樂生成模型。

結果：作者報告，MindMelody 提高了情緒對齊和控制遵循度，并在短時聆聽設置中獲得更高的感知幫助評分。

價值：它把 EEG、LLM、生成音樂和心理干預放入閉環系統，也暴露了真實臨床有效性仍需進一步檢驗的問題。

arXiv · 2026-05-20

When Support Escalates Distress: Regulation and Escalation in LLM Responses to Venting and Advice-Seeking

看似支持也可能升級痛苦：LLM 心理回應需要同時測量調節與升級

Vivienne Bihe Chi

https://arxiv.org/abs/2605.21569

背景：LLM 在心理支持場景中，面對宣泄和尋求建議兩種求助方式時，是否會調節或放大用戶痛苦。

方法：使用 178,800 條 Reddit 帖子區分求助風格，并基于人際情緒調節理論構建 regulation 與 escalation 兩個維度，比較默認、朋友和治療師 persona 的 LLM 回應。

結果：作者報告，宣泄會引出更多調節也更多升級；治療師 persona 降低升級同時保持調節，而朋友 persona 同時提高兩者。

價值：它提醒心理 AI 不能只看“共情感”或用戶主觀喜歡，還要評估潛在的情緒升級風險。

arXiv · 2026-05-13

Optimized but Unowned: How AI-Authored Goals Undermine the Motivation They Are Meant to Drive

AI 寫出的目標更 SMART，卻可能更“不屬于我”

Vivienne Bihe Chi

https://arxiv.org/abs/2605.12344

背景：當 LLM 替人制定自我提升目標時，目標質量提升是否會犧牲心理所有感、承諾和后續行動。

方法：預注冊實驗比較自寫目標與 LLM 基于個人反思生成的目標，并在兩周后追蹤行動情況，同時檢驗心理所有感的中介作用。

結果：作者報告，LLM 生成目標在 SMART 標準上得分更高，但參與者報告更低的心理所有感、承諾和重要性，兩周后采取多個行動的比例也低于自寫目標組。

價值：它給 AI 輔助心理干預和生產力工具提出了明確設計約束：優化文本不等于優化動機。

arXiv · 2026-05-11

Predicting Psychological Well-Being from Spontaneous Speech using LLMs

幾分鐘自然說話能估計心理幸福感嗎？LLM 零樣本預測的機會與偏差

Erfan Loweimi

https://arxiv.org/abs/2605.11303

背景：LLM 是否能從自發語音轉寫中提取與 Ryff 心理幸福感量表相關的語義線索。

方法：使用 PsyVoiD 數據庫中 111 名參與者的短語音記錄，評估 12 個指令微調 LLM，并由臨床心理學和語言學專家協作設計領域提示詞。

結果：作者報告，部分 LLM 在 80% 數據上與心理幸福感分數達到較高 Spearman 相關，并通過統計分析和關鍵詞分析檢查預測變異與偏差。

價值：它展示了 LLM 作為心理測量輔助工具的潛力，同時需要謹慎處理樣本量、泛化和解釋性限制。

arXiv · 2026-05-20

Internal narratives parameterise affective states

內心敘事如何參數化情緒狀態：用 LLM 表征刻畫抑郁體驗的幾何結構

Jakub Onysk

https://arxiv.org/abs/2502.09487

背景：個體如何用語言描述情緒與癥狀，這些敘事結構能否映射到抑郁和情緒狀態的潛在維度。

方法：在兩個大型研究中，用 LLM 表征及其子空間量化參與者內部敘事，分析其與標準化抑郁自評和情緒敘事變化的關系。

結果：作者報告，癥狀相關思維的文字描述包含可預測自評抑郁分數的細粒度信息，且保留癥狀間特定協方差對構念效度很重要。

價值：它把臨床心理敘事、計算表征和情緒狀態建模連接起來，比單純情感分類更接近心理測量問題。

arXiv · 2026-05-18

Subject-Specific Analysis of Self-Initiated Attention Shifts from EEG with Controlled Internal and External Attention Conditions

自發注意轉移能從 EEG 中讀出嗎？面向異步腦機接口的個體化特征解釋

Yuwen Zeng

https://arxiv.org/abs/2605.18251

背景：沒有明確外部時間標記的自發注意轉移，是否能通過準備期 EEG 與外部指令轉移區分開。

方法：在受控內外注意條件下記錄 EEG，使用機器學習分類頻段拓撲模式，并用 SHAP 做模型特征歸因。

結果：作者報告，準備期 EEG 在個體內能可靠區分兩類注意轉移，高頻段和額葉區域對模型決策貢獻較大，但高頻 EEG 結果需謹慎排除非神經偽跡。

價值：它把注意研究和異步 BCI 需求連接起來，也示范了可解釋機器學習在 EEG 個體化分析中的用法。

arXiv · 2026-05-11

Position: Stop Evaluating AI with Human Tests, Develop Principled, AI-specific Tests instead

別再直接拿人類心理測驗評價 AI：需要 AI 專屬測量框架

Tom Sühr

https://arxiv.org/abs/2507.23009

背景：把人類智力、人格或教育測驗直接用于 LLM，會不會造成測量對象和構念解釋上的錯誤。

方法：從心理測量學和 AI 評測角度提出立場論證，分析標準化人類測驗在非人類系統上的效度、污染、文化偏差和提示敏感性問題。

結果：作者報告，把基準表現解釋為 AI 擁有人類式心理特質缺乏充分理論和經驗證據，主張建立面向 AI 系統的專門評估框架。

價值：AI 與心理學交叉不能只借用心理量表；這篇為“如何測量 AI 心智”劃出方法學邊界。

bioRxiv · 2026-05-10

Scale matters: Large language models with billions (rather than millions) of parameters better match neural representations of natural language

模型越大越像語言腦活動嗎？LLM 尺度與自然語言 ECoG 表征的對應關系

Zhuoqiao Hong

https://doi.org/10.1101/2024.06.12.598513

背景：不同規模 LLM 的上下文表征，是否能解釋人腦在自然語言理解中的神經活動差異。

方法：在癲癇患者聽 30 分鐘自然故事時記錄 ECoG，用多個 Transformer LLM 隱層嵌入建立逐電極 encoding model，比較模型規模、層級和腦區的預測表現。

結果：作者報告，較大規模 LLM 更好捕捉自然語言結構并預測神經活動；隨著模型變大，最佳預測層呈現向較早層移動的對數關系，不同腦區對應的最佳層也不同。

價值：它為“LLM 能否作為人類語言處理模型”提供了直接神經數據檢驗，而不是只比較行為或基準分數。

bioRxiv · 2026-05-10

Evaluating the effects of regularization and cross-validation parameters on the performance of SVM-based decoding of EEG data

EEG 解碼別只報準確率：SVM 正則化和交叉驗證設置會怎樣改變結果

Guanghui Zhang

https://doi.org/10.64898/2025.12.10.693548

背景：EEG MVPA/解碼研究中，SVM 正則化參數、交叉驗證折數和試次平均設置如何影響性能估計。

方法：在 7 個常見 ERP 范式和多個更困難的多分類任務中，系統改變 SVM 的 C 參數、交叉驗證折數和每個平均中的試次數。

結果：作者報告，當正則化強度等于或大于 1 時，解碼準確率和效應量最高；多數情況下 3-5 折交叉驗證并保證每個平均至少 10 個試次表現較優。

價值：很多 EEG-BCI 和認知解碼論文依賴類似設置，這篇為可復現分析提供了實用基線。

bioRxiv · 2026-05-23

NiCLIP: Neuroimaging contrastive language-image pretraining model for predicting text from brain activation images

從腦激活圖預測認知概念：NiCLIP 把神經影像、文本和 CLIP 對齊

Julio A Peraza

https://doi.org/10.1101/2025.06.14.659706

背景：功能神經影像中，如何從腦激活圖更準確地推斷對應的認知任務、概念和領域。

方法：利用 23,000 多篇神經科學文章訓練文本-腦圖像對比模型 NiCLIP，并比較全文、摘要、認知本體和 BrainGPT 等 LLM 表征的作用。

結果：作者報告，全文訓練和精細認知本體能優化預測，微調 LLM 略優于基礎 LLM；NiCLIP 能較好預測 HCP 群體激活圖的任務和概念，但在嘈雜個體水平激活圖上有限。

價值：它是 AI 參與功能解碼和神經影像元分析的代表性嘗試，也清楚指出了個體層面應用的限制。

bioRxiv · 2026-05-11

How do we align in good conversation? Investigating the link between interaction quality and multimodal interpersonal coordination

一場好對話如何同步：從語音收斂到雙人 EEG 耦合

Marcos Eliseo Domínguez-Arriola

https://doi.org/10.64898/2026.05.09.723997

背景：對話質量和互相好感是否體現在語音-語音、腦-語音和腦-腦多層級協調上。

方法：陌生人 dyads 進行多段自由對話，同時記錄聲音和雙人 EEG，分析韻律適應、神經語音追蹤和跨腦協調。

結果：作者報告，互相印象更積極的伙伴在音量和聲質上更趨同；交互質量越高，alpha 和 theta 頻段的跨腦關系越強，其中并發 alpha 耦合最突出。

價值：它把社會心理體驗與 hyperscanning 指標連接起來，可為 AI 介入對話和心理支持場景提供人類互動基準。

bioRxiv · 2026-05-11

Opposing effects of slow and fast theta synchrony on working memory in the human hippocampal-orbitofrontal network

同一海馬-眶額網絡，慢 theta 和快 theta 對工作記憶產生相反作用

Samantha M. Gray

https://doi.org/10.64898/2026.05.10.724153

背景：人類海馬、眶額皮層和杏仁核網絡如何用不同 theta 頻段組織序列工作記憶。

方法：分析 21 名神經外科患者在 delayed match-to-sample 工作記憶任務中的顱內 EEG，比較慢 theta 與快 theta 的跨區相位鎖定、局部相位-振幅耦合和行為關系。

結果：作者報告，同一解剖路徑的慢 theta 同步與更快反應相關，而快 theta，尤其海馬-眶額同步，在高認知負荷下與較差準確率和反應時相關。

價值：它說明 BCI 和認知解碼不能只看“同步增強”，頻段和任務階段決定了神經同步的行為意義。

bioRxiv · 2026-05-22

Task-Parametrized Dynamics: Representation of Time and Decisions in Recurrent Neural Networks

RNN 如何表示時間與決策：多種動力學解法可產生相似行為

Cecilia Gisele Jarne

https://doi.org/10.1101/2025.09.15.676356

背景：循環神經網絡在延遲決策任務中如何內部表示經過時間，并在決策時刻把低維群體軌跡對齊到輸出。

方法：訓練 RNN 完成二選一、上下文依賴決策和知覺整合等延遲任務，分析連接統計、特征值譜、readout alignment 和低維群體軌跡。

結果：作者報告，網絡可收斂到振蕩或非振蕩等不同但行為相近的動力學方案，群體活動保持低維分布式，響應前主要在 readout-null 子空間演化，接近決策時才對齊輸出維度。

價值：它把人工網絡可解釋性和生物神經動力學中的退化性、冗余性聯系起來，有助于謹慎使用 RNN 作為認知模型。

bioRxiv · 2026-05-10

Space-based and object-based saccadic selection in visual working memory

眼跳會選擇記憶中的位置，也可能擴散到同一物體

Olga Shurygina

https://doi.org/10.64898/2026.05.05.723053

背景：視覺工作記憶維持期間的眼跳選擇效應，是只增強目標位置，還是也會擴散到同一物體的其他位置。

方法：通過 3 個實驗讓觀察者記憶 Gabor 朝向或完成變化檢測任務，并操控刺激是否屬于同一輪廓定義物體以及眼跳目標位置。

結果：作者報告，記憶最好的是眼跳目標位置；在變化檢測任務中，這種收益也擴散到同一物體內其他位置。

價值：它為眼動、注意和工作記憶的空間/物體表征提供了清晰行為證據，也與注視驅動 BCI 和視覺交互設計相關。

bioRxiv · 2026-05-10

Neural dynamics of covert habit activation and control in humans

習慣在行動前已被悄悄激活：EEG 揭示人類習慣控制的隱性競爭

Eike K. Buabang

https://doi.org/10.1101/2025.11.12.687990

背景：人類習慣形成后，刺激-反應系統和目標導向系統如何在動作準備階段競爭。

方法：進行預注冊 EEG 研究，包含 14 天刺激-反應訓練，并用嚴格時間控制分離習慣激活與目標導向控制；重點分析 lateralized readiness potential 和 frontal midline theta。

結果：作者報告，LRP 能追蹤被克服的不適當習慣反應的隱性激活；探索性分析顯示，廣泛訓練的習慣需要被壓制時，額中線 theta 功率升高，并與個體習慣表達相關。

價值：它為“AI 是否能預測或干預習慣行為”之前的人類神經機制問題提供了更扎實的 EEG 證據。

bioRxiv · 2026-05-22

Dynamic Estimation of Spatially Interactive Networks (DESINE) Reveals Constrained Brain Repertoire in Schizophrenia Linked to Clinical and Cognitive Symptoms

用 DESINE 看動態 fMRI：精神分裂癥的腦網絡空間組合更受限

Krishna Pusuluri

https://doi.org/10.64898/2026.05.20.726604

背景：靜息態 fMRI 中，腦網絡的空間交互動態是否與精神分裂癥的認知癥狀相關。

方法：提出 DESINE，用滑動窗口中的體素活動聯合分布刻畫 14 個網絡間的 4D 空間交互，并在 508 名受試者中比較健康對照和精神分裂癥患者。

結果：作者報告，患者顯示更受限的網絡交互動態庫，RMSE 和 MAD 指標整體較低，狀態親和度指標改變，并與認知表現、癥狀評分和藥物劑量相關。

價值：它把 AI/統計網絡方法用于可解釋的認知精神病理機制，而不是只做診斷分類。

編輯：PsyBrain 腦心前沿編輯部

審核：PsyBrain 腦心前沿編輯部

你好，這里是「PsyBrain 腦心前沿」

專注追蹤全球認知神經科學的最尖端突破

視野直擊 Nature, Science, Cell 正刊及核心子刊與頂級大刊

每日速遞「深度解讀」與「前沿快訊」

科研是一場探索未知的長跑，但你無需獨行。歡迎加入PsyBrain 學術社群，和一群懂你的同行，共同丈量腦與心智的無垠前沿。

點擊卡片進群，歡迎你的到來

一鍵關注，點亮星標 ? 前沿不走丟！

一鍵分享，讓更多人了解前沿

特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.