曾毅教授团队：小样本下基于频率滤波增强注意力的跨物种fMRI时间序列预测

曾毅教授团队：小样本下基于频率滤波增强注意力的跨物种fMRI时间序列预测 | Cell Press…
CellPress细胞科学 2026-11-03 20:28:17

交叉学科

Interdisciplinary

功能磁共振成像（fMRI）能够记录全脑活动，但长时间扫描易受到运动伪影、受试者依从性下降和实验成本升高等因素限制。如何在小样本和有限观测条件下预测后续脑活动，并保持脑区功能连接结构，是fMRI时间序列分析中的重要挑战。曾毅教授团队提出了FFAformer，一种结合频率滤波、注意力增强和功能连接约束的模型，用于小样本条件下小鼠、猕猴和人类fMRI时间序列预测。该模型在跨物种、静息态和认知任务数据上提高了预测准确性，并更好保留功能脑网络结构。2026年9月18日，相关结果以“Frequency-filtered attention for cross-species fMRI time series prediction under small-sample learning”为题发表在Cell Press细胞出版社旗下期刊iScience上（Volume 29, Issue 9, Article: 117173）。

功能磁共振成像（fMRI）能够记录全脑活动，是研究脑功能组织和认知机制的重要工具。然而，长时间扫描容易受到头动、受试者配合度下降、动物麻醉负担增加和实验成本升高等因素限制。因此，如何利用有限长度的fMRI时间序列可靠预测后续脑活动，是脑影像时间序列分析中的重要问题。

现有fMRI间序列预测方法多从时域建模，能够刻画信号随时间变化的规律，但往往忽视fMRI信号中相对稳定的频率特征。近年来，一些频域时间序列模型开始关注频率成分，有助于捕捉长期依赖和周期性变化；但这类方法通常没有充分结合fMRI数据本身的先验特征，例如脑区之间的功能连接关系。

因此，小样本条件下的fMRI预测不仅需要提高时间序列预测精度，还需要保留脑区间的功能连接结构。围绕这一问题，本文将频率滤波、注意力增强和功能连接约束结合起来，在预测后续脑活动的同时，兼顾信号频率特征与脑网络结构。

频率滤波注意力模型设计

针对小样本fMRI时间序列预测中同时存在的信号建模和功能脑网络保持问题，研究团队提出了Frequency-Filtered Attention Transformer（FFAformer）模型。该模型并不只从时间维度预测未来信号，而是进一步引入频率信息和功能连接约束，使模型能够同时关注fMRI信号的动态变化规律和脑区之间的协同关系。

如图1所示，FFAformer首先对fMRI时间序列进行频率滤波，以提取信号中相对稳定的低频成分，从而更好捕捉长程时间依赖。随后，模型在注意力机制中引入可学习的全秩增强矩阵，用于提升小样本条件下的特征表达能力，缓解普通注意力机制在小样本训练中可能出现的表示不足问题。同时，模型在训练过程中加入功能连接一致性约束，使预测出的fMRI信号不仅在数值上接近真实信号，也能更好保留真实数据中的脑区连接结构。

图1：FFAformer模型整体框架示意图

因此，FFAformer的核心思路是将“信号频率特征”和“脑网络先验”结合起来：前者帮助模型理解fMRI信号如何随时间变化，后者帮助模型保持脑区之间的功能关系。这种设计使其更适用于小样本、跨物种的脑影像时间序列预测任务。

多维实验验证预测效果

一个模型是否真正适用于fMRI时间序列预测，不仅要看预测误差是否降低，也要看它能否在不同物种、脑状态和观测长度下保持稳定。研究团队在小鼠、猕猴和人类的静息态与任务态fMRI数据上进行验证，并从MSE、MAE和功能连接相关性等指标评估模型表现。

图2：跨物种fMRI数据集在不同训练序列比例下的性能对比图。

结果显示，FFAformer在多数条件下取得更低预测误差和更高功能连接一致性。与最强基线FreEformer相比，FFAformer在fMRI数据上的均方误差 (MSE) 与平均绝对误差 (MAE)平均降低约10%–25%，功能连接相关性也进一步提高；在人类静息态等部分数据上，误差降低幅度可达到约30%–50%。

进一步分析表明，FFAformer不仅提高了预测误差指标，也更好保留了fMRI数据中的脑区功能连接结构。功能连接矩阵和网络拓扑结果显示，模型在脑区连接、节点强度、枢纽脑区和社区结构等层面与真实数据更加一致，说明其预测结果不仅接近真实信号，也更接近真实数据中的功能脑网络结构。

消融实验说明，频率滤波、注意力增强和功能连接约束分别从信号特征提取、表示能力提升和脑网络保持三个方面发挥作用，三者结合后形成互补，使完整模型取得更稳定的整体表现。

此外，FFAformer在多个公共时间序列数据集上也保持较好性能，说明其并非只适用于fMRI数据。跨物种信号动力学分析进一步显示，预测信号在低维动态轨迹上接近真实数据，能够保留静息态下的跨物种共同模式以及任务态下的状态差异。

讨论

本文提出的FFAformer结合频率滤波、注意力增强和功能连接约束，提高了小样本条件下fMRI时间序列预测的准确性，并更好保留脑区功能连接结构。作者也指出，该模型仍存在一定计算开销，且当前功能连接分析主要基于线性相关；未来可进一步优化模型效率，并结合更丰富的脑网络指标和真实临床、动物实验数据开展验证。

中国科学院自动化研究所杜骋骋为该论文第一作者。研究受到中国科学院战略性先导科技专项、国家自然科学基金面上项目、中国科学院自动化研究所相关项目和中国博士后科学基金博士后资助项目支持。

作者专访

Cell Press细胞出版社微信公众号特别邀请曾毅教授进行了专访，请他进一步为大家详细解读。

CellPress：

请问曾教授，为什么“小样本条件下的fMRI时间序列预测”是一个值得关注的问题？

曾毅教授：

fMRI能够帮助我们观察全脑活动随时间的变化，但在实际研究中，长时间、高质量地采集fMRI数据并不容易。对人类受试者来说，扫描时间越长，头动、疲劳和配合度下降的问题越明显；对动物实验来说，长时间麻醉也会带来额外影响。因此，如果模型能够基于有限长度的fMRI信号可靠预测后续脑活动，就有助于提高数据利用效率，降低采集成本，也为小样本脑影像建模和跨物种脑功能研究提供新的分析工具。

CellPress：

本文提出的FFAformer同时引入了频率滤波、注意力增强和功能连接约束。请问曾教授，这几个设计分别解决了fMRI预测中的哪些问题？

曾毅教授：

fMRI信号不是普通的时间序列，它既有随时间变化的动态规律，也包含相对稳定的低频成分和脑区之间的协同关系。频率滤波主要帮助模型捕捉fMRI信号中的有效频率特征，减少无关波动的干扰；注意力增强用于提升模型在小样本条件下对脑区间关系和长程依赖的特征学习能力；功能连接约束则让模型不仅追求数值预测准确，也尽量保留真实fMRI数据中的脑区功能连接结构。三者结合后，模型能够同时兼顾预测精度和功能脑网络一致性。

CellPress：

研究中使用了小鼠、猕猴和人类的静息态与任务态fMRI数据，并进一步分析了跨物种信号动力学。请问这些结果说明了什么？

曾毅教授：

我们的目标不是只在单一数据集上获得较好的预测结果，而是希望模型能够适应不同物种和不同脑状态。实验结果显示，FFAformer在小鼠、猕猴和人类数据上都表现出较稳定的预测能力，并能更好保持功能连接结构。进一步的低维动力学分析表明，静息态下不同物种的脑活动轨迹具有一定共同模式，而认知任务状态下则呈现更明显的状态差异和物种特征。模型能够较好保留这些动态结构，说明它不仅在数值上预测得更准确，也捕捉到了fMRI信号中具有脑影像意义的变化规律。

CellPress：

请曾教授结合自己的研究经历，给从事人工智能与脑科学交叉研究的年轻科研工作者一些建议。

曾毅教授：

人工智能与脑科学的交叉研究需要同时考虑这两个领域的规律。做模型时不能只追求指标提升，也要理解数据背后的科学问题；做脑科学问题时，也需要善用人工智能方法提高建模和分析能力。年轻科研工作者应当从真实科学问题出发，保持跨学科视野，既关注科学原理、算法创新，也关注数据、机制和应用场景之间的联系。真正有价值的交叉研究，往往来自对问题本身的深入理解，以及在不同学科之间建立有效连接的能力。

通讯作者简介

曾毅

教授

曾毅，中国人民大学高瓴人工智能学院吴玉章讲席教授、博士生导师，现任北京前瞻人工智能安全与治理研究院院长、人工智能安全与超级对齐北京市重点实验室主任，曾任中国科学院自动化研究所研究员、类脑智能实验室副主任、人工智能伦理与治理研究中心主任、脑认知与类脑智能全国重点实验室研究员。

曾毅长期从事类脑人工智能、人工智能伦理安全与治理、人工智能与可持续发展等方向研究，围绕脑启发学习机制、类脑认知智能、人工智能价值对齐与治理等问题开展了系统性工作。他兼任中国人工智能学会（CAAI）心智计算专委会主任、世界互联网大会（WIC）人工智能专委会主任委员，并任联合国人工智能高层顾问机构专家（UN Advisory Body on AI）、联合国教科文组织人工智能伦理特设专家组专家（UNESCO Ad Hoc Expert Group on AI Ethics）等。2023年，曾毅入选《时代周刊》（TIME）首届人工智能最具影响力100人（TIME100 AI），被评为AI领域“思想者”。

曾毅教授团队：小样本下基于频率滤波增强注意力的跨物种fMRI时间序列预测 | Cel

· 家园资讯