High-Resolution Dynamic Functional Connectivity Generation with Graph-Variate Flow Matching

📄 arXiv: 2609.37037v1 📥 PDF

作者: Om Roy, Yashar Moshfeghi, Keith Malcolm Smith

分类: cs.LG

发布日期: 2026-09-29

💡 一句话要点

提出GVD-CFM以解决高分辨率动态功能连接生成问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 动态功能连接 图变异动态 生成模型 脑网络 EEG信号 时域分析 正定矩阵 深度学习

📋 核心要点

  1. 现有方法在短时间窗口下生成的动态功能连接常常受到噪声影响，导致低秩协方差估计不准确。
  2. 论文提出GVD-CFM模型，通过图变异动态连接生成高分辨率的动态功能连接，抑制虚假波动并保持轨迹的正定性。
  3. 在多个EEG运动想象数据集上，GVD-CFM在分布保真度、时间动态保持和合成到真实分类方面表现最佳，且计算效率高。

📝 摘要（中文）

高分辨率动态功能连接（DFC）能够揭示快速变化的脑网络交互，但短时间窗口常导致噪声和低秩协方差估计。图变异动态（GVD）连接通过稳定的试验级支持调节快速瞬时交互，从而抑制虚假波动，强调持久且有信息量的连接。本文提出GVD-CFM，一种高分辨率动态连接的类条件生成模型，能够在保持正定矩阵轨迹的同时生成全轨迹，并在多个EEG运动想象数据集上表现出色。

🔬 方法详解

问题定义：本文旨在解决高分辨率动态功能连接生成中的噪声和低秩协方差估计问题。现有方法在短时间窗口下生成的连接往往不稳定，难以捕捉快速变化的脑网络交互。

核心思路：GVD-CFM模型通过图变异动态连接，利用稳定的试验级支持来调节瞬时交互，从而抑制虚假波动，强调持久的连接。该模型在正定矩阵轨迹上生成动态连接，避免了传统方法中的后处理投影。

技术框架：GVD-CFM的整体架构包括将每个试验表示为SPD GVD矩阵，经过全局对数-欧几里得微分同胚映射和可逆的时间DCT基。使用基于Transformer的条件流模型联合建模所有谱模式，并在欧几里得坐标中非自回归地生成全轨迹。

关键创新：GVD-CFM的主要创新在于其能够在保持高分辨率和正定性结构的同时，生成动态功能连接，且无需岭回归或后处理投影。与现有方法相比，该模型在生成质量和计算效率上均有显著提升。

关键设计：模型保留完整的DCT基，使得在更密集的时间网格上解码成为可能，而无需重新训练。关键参数设置和损失函数设计确保了生成的连接在时域和频域上的一致性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在多个EEG运动想象数据集上，GVD-CFM在保持分布保真度、时间动态保持和合成到真实分类方面表现最佳，相较于强基线方法，其性能提升显著，展现出良好的计算效率。

🎯 应用场景

该研究的潜在应用领域包括神经科学、脑机接口和临床诊断等。通过提供高分辨率的动态功能连接生成，GVD-CFM能够帮助研究人员更好地理解脑网络的动态交互，进而推动相关领域的研究和应用发展。

📄 摘要（原文）

High-resolution dynamic functional connectivity (DFC) can reveal rapidly evolving brain-network interactions, but short temporal windows yield noisy, often low-rank covariance estimates. Graph-Variate Dynamic (GVD) connectivity addresses this by modulating fast instantaneous interactions with stable trial-level support. This suppresses spurious fluctuations and emphasizes persistent, informative connections. We show that the Hadamard construction lifts low-rank instantaneous connectivity from the positive-semidefinite to the positive-definite cone, keeping high-resolution trajectories on the SPD manifold without ridge regularisation or post-hoc projection. We introduce GVD-CFM, a class-conditional generative model for high-resolution dynamic connectivity. Each trial is represented as SPD GVD matrices on a product Riemannian manifold, then mapped through a global log-Euclidean diffeomorphism and an invertible temporal DCT basis. A Transformer-based conditional flow models all spectral modes jointly and generates the full trajectory non-autoregressively in Euclidean coordinates while preserving exact correspondence with valid SPD sequences. Retaining the full DCT basis also enables decoding on denser temporal grids without retraining. Across multiple EEG motor-imagery datasets, GVD-CFM delivers the strongest overall results for held-out distributional fidelity, temporal-dynamics preservation, and synthetic-to-real classification. It also remains computationally efficient relative to strong raw-signal and direct GVD-space generative baselines. GVD-CFM therefore provides a practical framework for realistic, temporally coherent, high-resolution brain-network generation with preserved manifold structure and resolution-flexible decoding from a single trained model.