基于任务的功能磁共振成像（tfMRI）已被广泛用于通过功能磁共振成像扫描中的预定义刺激范例探索功能性大脑网络。 传统上，通用线性模型（GLM）是检测任务引发网络的主要方法。 但是，GLM专注于任务诱发或事件诱发的大脑React，并且可能忽略了大脑固有的功能。 相比之下，词典学习和稀疏编码方法近来备受关注，这些方法显示了将fMRI信号自动系统地分解为有意义的任务诱发的内在并发网络的希望。 然而，当前数据驱动的字典学习方法的两个显着局限性是任务范例的先验知识没有得到充分利用，并且不同大脑中字典原子之间的对应关系的建立具有挑战性。 在本文中，我们提出了一种新颖的监督字典学习和稀疏编码方法，可以从tfMRI数据中推断功能网络，该方法同时具有模型驱动方法和数据驱动方法的优点。 基本思想是将任务刺激曲线固定为预定义的模型驱动的词典原子，并且仅优化数据驱动的词典原子的其他部分。 这种新颖的方法在可公开获得的人类连接组项目（HCP）tfMRI数据集上的应用取得了可喜的成果。
