MMDF-ESI：用于脑源成像的 EEG 与 MEG 多模态深度融合

基于摘要分析。该研究针对电生理源成像（ESI）的病态逆问题，提出 MMDF-ESI，通过融合 EEG 与 MEG 测量重建潜在脑电活动源。核心贡献是在深度学习框架的早期阶段利用专门设计的 squeeze-and-excitation 模块整合两种模态，而非在最终决策层进行融合。 方法动机是 EEG 与 MEG 对皮层径向、切向电活动的测量具有互补性。传统 ESI 方法主要依靠基于神经生理假设的预设先验与正则化，深度学习方法则从数据中学习测量与源信号之间的映射；本文重点探索双模态信息能否改善这一逆问题的重建。摘要未提供融合模块的具体结构、损失函数、训练数据构建方式或推理流程，这些实现细节尚未验证。 作者报告，在其评估条件下，MMDF-ESI 的源定位准确性持续优于单模态方法；与基准方法相比，源重建误差方差更小，尤其体现在较大扩展激活区域和低信噪比（SNR）条件下。作者还报告，在一个真实 EEG/MEG 数据集上，该方法获得了更集中的重建，并能恢复具有空间扩展范围的源激活区域。摘要未提供数据集名称、被试数、数据划分、基准方法名称、指标定义、数值及显著性检验，因此不能量化改善幅度，也不能将源定位准确性等同于分类 Accuracy。 复现时需核对 EEG/MEG 的同步与空间配准、前向模型及源空间设定、双模态尺度处理，以及单模态和不同融合策略的对照条件；实验协议、消融及统计信息尚未验证。本文直接研究的是脑源成像，而非 BCI 解码，摘要中的结果不能直接作为 BCI 任务性能提升的证据。