В данном исследовании анализируется влияние пространственно-временных характеристик на качество декодирования данных функциональной магнитно-резонансной томографии (фМРТ). Архитектуры нейронных сетей имеют ограниченные возможности при работе с данными фМРТ из-за малого объема выборки, высокой вариативности объектов и значительных требований к вычислительным ресурсам. Мы предлагаем методологию декодирования данных фМРТ при недостаточном объеме данных. В работе учитываются уникальные структурные особенности мозга каждого испытуемого. Для разработки методологии декодирования предложен алгоритм извлечения уникальной маски активности мозга для каждого испытуемого. Данный алгоритм снижает пространственную размерность временных рядов фМРТ путем взвешивания стимулируемых областей мозга с использованием кросс-корреляции. Разработана модель классификации временных рядов фМРТ, специализированная для фиксированного испытуемого. Модель состоит из двух частей: первая часть - маски активности мозга, извлеченные для каждого класса активности с помощью предложенного алгоритма; вторая часть - энкодер, использующий риманову геометрию для извлечения пространственно-временных характеристик. В вычислительном эксперименте предложенная методология анализируется на выборке, полученной в результате томографических обследований шести испытуемых. Анализ исключением компонент разработанной модели классификации демонстрирует значительное снижение качества при исключении любого из ее компонентов. Сравнение с подходами на основе нейронных сетей показывает превосходство предложенной методологии, особенно в сценариях с ограниченными данными.