基于 EEG 与 MEG 深度融合的注意力神经网络多模态电生理源成像

基于摘要分析。该研究针对电生理源成像（ESI）逆问题，提出 Multi-Modal Deep Fusion 框架 MMDF-ANN，利用 Attention Neural Networks 融合 EEG 与 MEG，从传感器测量重建皮层及皮层下电活动。核心贡献是将两种模态的互补信息纳入数据驱动的源成像流程，而非仅使用单模态输入。 机制上，研究以 EEG 与 MEG 对径向、切向皮层源的测量互补性为出发点，将方法分为特征提取、权重生成、深度特征融合和源映射四个阶段。相较主要依赖预设神经生理先验的传统 ESI 方法，该框架旨在学习测量信号到脑源活动的映射；相较单模态深度学习方法，其重点是融合两种模态。摘要未披露注意力权重的计算方式、融合位置、网络结构、损失函数及训练策略，这些实现细节尚未验证。 作者报告，在合成数据和真实数据实验中，EEG/MEG 融合较仅使用 EEG 或 MEG 显著提高源定位准确性；相较基准算法，MMDF-ANN 在扩展激活区域及低信噪比测量条件下表现出良好的重建稳定性。摘要未提供数据集名称、被试数、划分协议、基准算法名称、具体指标或数值，因此无法判断增益幅度、统计显著性依据及跨被试或跨数据集泛化能力。 复现时需核对 EEG/MEG 的配准与输入对齐、脑源空间及正向模型、合成源与噪声的生成条件、真实数据的参考定位依据，以及单模态对照和融合消融的设置。实验协议、消融及统计信息尚未验证。该工作直接研究 EEG/MEG 源成像，但摘要不涉及 BCI 任务解码，源定位改善不能直接视为 BCI 性能提升。