本研究提出了一种核心-外围状态空间模型(CP-SSM)，有效解决了传统机器学习在脑区关系处理中的不足。实验结果表明，CP-SSM在功能连接组分类中优于Transformer模型，降低了计算复杂性，为神经疾病诊断提供了新的方向。

使用基于变分自编码器 (VAE) 的模型 DemoVAE 对 fMRI 特征与人口统计学进行去相关，并生成以用户提供的人口统计学为基础的高质量合成 fMRI 数据。验证结果表明 DemoVAE 可以捕捉个体之间的全部变异并复现 fMRI 数据中的群体差异。与 fMRI 数据相关的临床和计算测电池领域与 DemoVAE 编码无关，仅与精神分裂症药物和症状严重程度有关的领域例外。DemoVAE 模型允许生成以受试者人口统计学信息为条件的高质量合成数据，并消除人口统计学的混杂效应。基于功能连接的预测任务受人口统计学混淆的影响较大。