The functioning of an organ such as the brain emerges from interactions between its constituent parts. Further, this interaction is not immutable in time but rather unfolds in a succession of patterns, thereby allowing the brain to adapt to constantly changing exterior and interior milieus. This calls for a framework able to study patterned spatiotemporal interactions between components of the brain. A theoretical and methodological framework is developed to study the brain's coordination dynamics. Here we present a toolset designed to decipher the continuous dynamics of electrophysiological data and its relation to (dys-) function. Understanding the spatiotemporal organization of brain patterns and their association with behavioral, cognitive and clinically-relevant variables is an important challenge for the fields of neuroscience and biologically-inspired engineering. It is hoped that such a comprehensive framework will shed light not only on human behavior and the human mind but also help in understanding the growing number of pathologies that are linked to disorders of brain connectivity.
Emergent Spatiotemporal Dynamics in Large-Scale Brain Networks with Next Generation Neural Mass Models
Universitat de les Illes Balears（巴利阿里群岛大学）；Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）；Institut de Matemàtiques de la UPC - Barcelona Tech (IMTech)（巴塞罗那理工大学数学研究所）；Centre de Recerca Matemàtica（数学研究中心）
CSBrain: A Cross-scale Spatiotemporal Brain Foundation Model for EEG Decoding
Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Sun Yat-sen University（中山大学）；The Chinese University of Hong Kong（香港中文大学）；Karlsruher Institut fur Technologie（卡尔斯鲁厄理工学院）
Spatiotemporal Learning of Brain Dynamics from fMRI Using Frequency-Specific Multi-Band Attention for Cognitive and Psychiatric Applications
Interdisciplinary Program in Artificial Intelligence（人工智能跨学科项目）；Seoul National University（首尔国立大学）；Department of Psychology（心理学系）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；Brookhaven National Laboratory（布鲁赫斯国家实验室）；Computational Science Initiative（计算科学倡议）；Department of Brain and Cognitive Sciences（脑科学与认知科学系）
An Analysis of How Spatiotemporal Dynamic Models of Brain Activity Could Improve MEG/EEG Inverse Solutions
脑磁图和脑电图是非侵入性的功能性神经成像技术，提供了高时间分辨率的大脑活动记录，从而提供了一个独特的窗口，研究快速的时间尺度在人类的神经动力学。然而，从这些数据得到的大脑活动估计的准确性是有限的，主要是因为1）传感器的数量远小于源的数量，以及2）记录设备对深或径向取向的源的低灵敏度。这些因素限制了可以恢复的源的数量，并且使估计偏向于表层皮层区域，导致需要包括关于源活动的先验信息。如何具体说明这一信息以及如何改进解决方案的问题仍然是一个关键的未决问题。在本文中，我们表明，纳入知识的大脑的底层连接和时空动态可以显着提高逆解。为此，我们开发的概念的\textit{dynamic lead field mapping}，它表示如何在一个给定的时间源活动的信息不仅被映射到即时测量，但测量的时间序列。有了这个映射，我们表明，可以恢复的源参数的数量可以增加到一个因素的${\sim20}$，这种改善主要是由深层皮质区。我们的研究结果意味着未来的发展，在MEG/EEG分析模型时空动态有可能显着提高源分辨率。
On the robustness of the emergent spatiotemporal dynamics in biophysically realistic and phenomenological whole-brain models at multiple network resolutions
Technische Universität Berlin（柏林工业大学）；University Medicine, Greifswald（格赖夫斯瓦尔德大学医学中心）；German Center for Neurodegenerative Diseases（德国神经退行性疾病中心）；Bernstein Center for Computational Neuroscience（伯恩斯坦计算神经科学中心）；Einstein Center for Neuroscience（爱因斯坦神经科学中心）
Decoding Predictive Inference in Visual Language Processing via Spatiotemporal Neural Coherence
Department of Physics（物理系）；Carnegie-Mellon University（卡内基梅隆大学）；Department of Linguistics（语言学系）；University of Salzburg（萨尔茨堡大学）；Purdue University（普渡大学）；University of Alabama（阿拉巴马大学）；Department of Communicative Disorders（沟通障碍系）
A geometry aware framework enhances noninvasive mapping of whole human brain dynamics
Southern University of Science and Technology（南方科技大学）；The University of Queensland（昆士兰大学）；University of Birmingham（伯明翰大学）；Fudan University（复旦大学）；Huashan Hospital（华山医院）
DIVE: A spatiotemporal progression model of brain pathology in neurodegenerative disorders
University College London（伦敦大学学院）；Inria（法国国家信息与自动化研究所）；Université Côte d'Azur（蔚蓝海岸大学）
在这里，我们提出了DIVE：数据驱动的顶点进化推理。DIVE是一种基于图像的疾病进展模型，具有单顶点分辨率，旨在从短期纵向数据集重建大脑病理学的长期模式。DIVE对在患者群体中具有类似时间动态的皮质表面上的逐顶点生物标志物测量进行聚类，并且同时估计每个聚类中的顶点测量的平均轨迹。DIVE独特地将皮质分割成具有共同进展模式的区域，从而为个体疾病提供新的签名。DIVE进一步估计每个受试者每次访视的疾病分期和进展速度，可能增强临床试验或管理的分层。在模拟数据上，DIVE可以恢复地面实况集群及其底层轨迹，前提是集群之间的平均轨迹有足够的差异。我们证明了DIVE的数据来自两个队列：阿尔茨海默病神经影像学倡议（ADNI）和痴呆症研究中心（DRC），英国，包含患者与后皮质萎缩（PCA）以及典型的阿尔茨海默病（tAD）。DIVE在两个独立的数据集（ADNI和DRC）中发现了tAD受试者的萎缩的相似空间模式，并进一步揭示了不同疾病（tAD vs PCA）和不同类型生物标志物数据的不同病理模式：来自磁共振成像（MRI）的皮质厚度vs来自正电子发射断层扫描（PET）的淀粉样蛋白负荷。最后，DIVE可用于使用任何种类的逐体素或逐顶点测量（包括雅可比压缩图、来自扩散成像的分数各向异性（FA）图或其他PET测量）来估计脑中病理的细粒度空间分布。DIVE源代码可在线获得：https://github.com/m…
Point process analysis of large-scale brain fMRI dynamics
功能性磁共振成像（fMRI）技术为我们了解大脑功能做出了重大贡献。目前的方法是基于脑血氧水平依赖性（BOLD）信号中的\emph{gradual and continuous}变化的分析。与该方法不同，最近的工作表明，通过仅检查相对大幅度的BOLD信号峰值可以获得等效的结果，这表明相关信息可以浓缩在\emph{discrete}事件中。这里进一步探讨了这个想法，以证明如何通过这些事件的时间和位置来捕获静息状态下的大脑动力学，即，在时空点过程中。作为原理证明，我们表明可以从这样的点过程中提取静息状态网络（RSN）映射。此外，分析揭示了雪崩的活动，这是由相同的动力学和统计特性之前所描述的神经元事件在较小的尺度。鉴于静息状态脑动力学的功能相关性，其表示为离散过程可能有助于大规模分析健康和疾病中的脑功能。
HOI-Brain: a novel multi-channel transformers framework for brain disorder diagnosis by accurately extracting signed higher-order interactions from fMRI
School of Mathematics and Statistics, Shandong University（山东大学数学与统计学院）；Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）；School of Computer Science and Technology, Shandong University（山东大学计算机科学与技术学院）
A Spatiotemporal Perspective on Dynamical Computation in Neural Information Processing Systems
The Kempner Institute for the Study of Natural and Artificial Intelligence at Harvard University（哈佛大学肯珀尔自然与人工智能研究所）；Western University, Department of Mathematics（韦仕敦大学数学系）；Salk Institute for Biological Studies, Computational Neurobiology Laboratory（索尔克生物研究所计算神经生物学实验室）；University of Amsterdam, Institute for Informatics（阿姆斯特丹大学信息学研究所）；University of California at San Diego, Department of Neurobiology（加州大学圣地亚哥分校神经生物学系）
