空间与时间引导的贝叶斯优化：从 fMRI 与 EEG 数据学习脑有效连接

基于摘要分析。本文研究从 EEG 与 fMRI 多模态数据中学习脑有效连接（EC），即脑区间具有方向性的因果交互关系，提出 STBO-EC 框架，将空间结构对齐、时间分辨率对齐和低秩参数化贝叶斯优化结合起来。主要研究对象是多模态脑有效连接网络，而非直接用于 BCI 的任务解码。 技术机制上，STBO-EC 首先利用已知脑区坐标进行解剖信息引导的空间对齐，在 EEG 电极与 fMRI 脑区之间建立结构一致的对应关系；随后采用基于时间切片的对齐与融合机制，衔接快速 EEG 活动与较慢 fMRI 信号的时间分辨率差异；最后使用低秩参数化贝叶斯优化方法 DrBO，处理融合数据的高维性与非线性依赖，探索随规模呈指数增长的 EC 搜索空间，并提供考虑不确定性的推断。摘要将其与特征拼接或线性映射思路作对比，强调结构一致性与非线性跨模态动态，但具体参数化、优化目标及不确定性计算方式尚未验证。 作者报告，在两个真实 EEG–fMRI 数据集上，STBO-EC 在多项评价指标中持续优于作者称为当前最先进的基线。摘要未提供数据集名称、被试数量、数据划分、指标名称或具体数值，因此尚不能判断优势幅度、跨被试泛化能力及不同协议下的可比性。实验协议、消融及统计信息尚未验证。 复现与证据核对的重点包括：EEG 电极与 fMRI 脑区对应关系如何构建，时间切片如何设定，EC 的参考标准及方向性评价依据是什么，以及 DrBO 的搜索预算和比较基线是否采用一致条件。摘要中的空间对应不应直接等同于 EEG 源定位，学习所得有向连接也不能仅凭性能表述视为已验证的真实因果关系。当前材料尚不足以确认代码、数据可获取性或其对 BCI 解码任务的实际收益。