[论文解读] NeuroSSM: Multiscale Differential State-Space Modeling for Context-Aware fMRI Analysis

Furkan Genç, Boran İsmet Macun+3 more|arXiv (Cornell University)|Jan 3, 2026

Functional Brain Connectivity Studies被引用 0

一句话总结

NeuroSSM 引入并行微分分支的多尺度选择性状态空间模型，用于分析原始 fMRI BOLD 时间序列，实现高效的端到端上下文感知表示，捕捉快速瞬变与慢速趋势。

ABSTRACT

Accurate fMRI analysis requires sensitivity to temporal structure across multiple scales, as BOLD signals encode cognitive processes that emerge from fast transient dynamics to slower, large-scale fluctuations. Existing deep learning (DL) approaches to temporal modeling face challenges in jointly capturing these dynamics over long fMRI time series. Among current DL models, transformers address long-range dependencies by explicitly modeling pairwise interactions through attention, but the associated quadratic computational cost limits effective integration of temporal dependencies across long fMRI sequences. Selective state-space models (SSMs) instead model long-range temporal dependencies implicitly through latent state evolution in a dynamical system, enabling efficient propagation of dependencies over time. However, recent SSM-based approaches for fMRI commonly operate on derived functional connectivity representations and employ single-scale temporal processing. These design choices constrain the ability to jointly represent fast transient dynamics and slower global trends within a single model. We propose NeuroSSM, a selective state-space architecture designed for end-to-end analysis of raw BOLD signals in fMRI time series. NeuroSSM addresses the above limitations through two complementary design components: a multiscale state-space backbone that captures fast and slow dynamics concurrently, and a parallel differencing branch that increases sensitivity to transient state changes. Experiments on clinical and non-clinical datasets demonstrate that NeuroSSM achieves competitive performance and efficiency against state-of-the-art fMRI analysis methods.

研究动机与目标

• 推动需要在 fMRI 信号中捕捉多尺度时间结构的模型，从快速瞬变到慢速全局趋势。
• 提出 NeuroSSM，一种选择性状态空间架构，在不依赖 FC 特征的情况下处理原始 BOLD 时间序列。
• 引入多尺度骨干网络加并行微分分支，以共同建模快速与慢速动力学。
• 在大规模公开 fMRI 数据集的临床与非临床任务上展示具有竞争力的预测性能。

提出的方法

• 使用一组 NeuroSSM 模块处理原始、ROI分区的 BOLD 信号。
• 在每个模块中，跨多个时间尺度应用多尺度差分状态空间块（MSD-SSB）。
• 使用双流状态空间模块（Dual-SSM）同时处理时间重新标度的数据及其一阶时间差分。
• 通过简单残差求和融合尺度输出，并应用层归一化和 GELU 激活。
• 进行时间池化并通过线性头进行分类，得到个体层级或任务层级的预测。
• 由于对角线状态 SSMs 与并行尺度流的存在，使序列长度下的计算成本保持线性。

实验结果

研究问题

• RQ1 NeuroSSM 能否在原始 fMRI 时间序列中联合建模快速瞬变动力学与慢速全局趋势？
• RQ2 添加并行差分流是否提升对快速脑状态变化的敏感性？
• RQ3 在 HCP 与 PPMI 数据集上， NeuroSSM 相对于 transformer、CNN/GNN 基线以及传统 SSM 基线的表现如何？
• RQ4 在不同的训练数据规模以及临床与非临床任务间， NeuroSSM 是否具有鲁棒性？

主要发现

• 与 baselines 相比，NeuroSSM 在 HCP-Rest、HCP-Task 和 PPMI 数据集上达到具有竞争力或更优的准确率、F1 和 AUC。
• 消融研究表明多尺度处理与微分输入流均能提升性能，完整模型表现最佳。
• 相较于 transformer 与 SSM 基线，NeuroSSM 展现更强的学习效率，特别是在数据较少的情况下。
• 在不同数据集上，NeuroSSM 维持稳健表现与具有竞争力的 AUC，显示在异质数据中的可靠性。
• 时间分辨率消融显示三尺度设置（τ = 1,2,3）在不增加不必要复杂性的情况下是有效的。