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。

本文提出了一种结合网络结构的协方差测量方法，用于重建有向网络链接，旨在提高多元时间序列数据的功能连接网络推断、分散式传感器网络方案及非高斯状态空间模型的过滤方法的网络参数识别和预测不确定性的准确性。

该文综述多项EEG研究：利用功能连接与机器学习预测认知表现，多层感知器和有向传递函数准确率较高；随机森林分类STEM任务达91.07%；隐马尔可夫模型结合深度神经网络可区分学习者；还涉及自监督神经负荷建模、联邦学习隐私保护、跨任务神经架构搜索及Transformer分类EEG，推动脑活动机制理解。