深度 EEG 超分辨率：使用生成对抗网络提升 EEG 空间分辨率

基于摘要分析。该研究针对高通道数 EEG 采集成本较高的问题，提出基于 Generative Adversarial Networks（GANs）的 EEG 超分辨率方法，从低空间分辨率 EEG 样本生成通道维度上采样的数据，以插补缺失通道。其主要研究对象是 EEG 空间分辨率提升，而非时间采样率提升。 方法通过生成式重建将低密度通道观测映射为高密度 EEG。摘要未披露生成器与判别器结构、损失形式、通道布局、上采样倍率，以及低分辨率输入如何构造，因此具体实现与训练监督条件尚未验证。 作者在一个 mental imagery 任务的 EEG 数据集上进行评估，并报告相对于 bicubic interpolation 基线，均方误差（MSE）与平均绝对误差（MAE）分别降低约 10^4 倍和 10^2 倍。上述结果限于该摘要所述实验；数据集名称、被试数量、数据划分、误差绝对值及归一化方式尚未验证，不能据此推断跨被试、跨会话或跨数据集表现。 作者进一步使用超分辨率数据训练原任务分类器，报告 Accuracy 仅有较小损失，但未提供具体数值及完整训练、测试配置。这为重建信号保留任务相关信息提供了初步证据，却不能单凭分类表现确认生成通道恢复了真实空间活动。复现时需核对缺失通道选择、真实高密度记录的参照方式，以及重建和分类评估的数据划分；实验协议、消融及统计信息尚未验证。降低真实硬件需求仍需结合实际低密度设备采集条件验证。