从 EEG 到 fMRI 仅差深度学习：利用可解释深度学习揭示 EEG–fMRI 关系

基于摘要分析。该研究探索能否从多通道 EEG 预测多个皮层下区域的 fMRI 血氧水平依赖信号（sBOLD），并通过可解释、领域约束的深度学习识别与这些血流动力学信号相关的头皮 EEG 模式。其主要研究对象是 EEG 与皮层下血流动力学活动的关系，而非直接验证 BCI 的意图解码性能。 方法上，作者提出结合领域知识的可解释深度学习方案，并使用一种作者称为新颖且具有理论依据的权重解释方法，提取能够预测皮层下核团血流动力学信号的个体化空间及时频模式。摘要未提供具体架构、领域约束形式、损失函数，以及 EEG 与 sBOLD 的时间对齐和预处理方式，这些实现细节尚未验证。 结果方面，作者报告 EEG 预测信号与实际皮层下 sBOLD 信号的相关性最高达 60%。摘要未说明该相关性的具体定义、对应脑区、被试数量、数据划分及被试内或跨被试评估协议，因此不能将这一数值理解为分类 Accuracy，也不能据此判断泛化能力。对照基线、消融及统计信息尚未验证；相关性也不等同于直接测量皮层下神经活动或确立因果关系。 作者将可穿戴皮层下活动测量和意图依赖 BCI 视为潜在应用，而摘要未提供相应设备或在线 BCI 验证。复现时需核对 EEG–fMRI 配对采集、血流动力学延迟建模、伪迹处理、数据划分及权重解释的稳定性。平台推测（待验证）：该方法可作为 EEG 中皮层下血流动力学相关信息的代理估计方案，但实际价值仍取决于未见被试或会话中的预测稳定性，以及这些代理信号是否为目标 BCI 任务提供额外信息。