基于局部图信号平滑性的时变 EEG 信号重建

基于摘要分析。该研究针对 EEG 采集中的信号缺失与噪声干扰，提出基于局部图信号平滑性（LGS-based）的重建方法，核心贡献是结合大脑皮层不同功能区域定义局部平滑性，并联合学习图结构与重建 EEG 信号。 技术机制上，论文认为，不能准确表示信号间相似关系的图会损害重建效果，因此不只在固定图上恢复信号，而是将图学习与 EEG 重建纳入联合优化。摘要说明该问题并非联合凸，并采用交替方向乘子法（ADMM）求解；但局部区域的具体定义、图节点与边的构造、平滑性约束及目标函数形式尚未验证。标题中的时变信号如何在优化中建模，也需查阅全文确认。 作者报告，在其 EEG 信号重建实验中，LGS-based 方法优于基准方法，获得更高的信噪比（SNR）和更小的误差。需要注意，摘要将后一指标写为“normalized mean square error (RMSE)”，英文名称与缩写存在不一致，应以全文中的公式和归一化定义为准。摘要未提供数据集、被试数、缺失模式、噪声设置、数据划分、基线名称或具体数值，因而不能量化增益，也不能判断跨被试或跨会话适用性。 复现时需核对局部功能区域与电极布局的对应关系、图学习所依赖的观测数据、ADMM 的更新与收敛条件，以及不同缺失比例和噪声条件下的评价协议。实验协议、消融及统计信息尚未验证。该工作直接研究 EEG 重建，但摘要没有报告下游 BCI 解码结果，重建质量改善不能直接等同于 BCI 任务性能提升。