RIGS-EEG：参考不变的图谱重建能否改善缺失 EEG 通道恢复？

基于摘要分析。该研究针对 EEG 整通道缺失后局部时间观测完全不可用的问题，提出 RIGS-EEG，将共同参考分离、可靠性加权空间初始化与图–时频收缩结合，以其他电极的信息约束缺失通道恢复，并评估重建信号对下游识别的作用。 方法采用五步展开网络，在电极图上表示相对电位，通过轻量谱增益逐步细化估计，并在输出端严格保留已观测样本；作者报告模型仅含 970 个可学习参数。其关键机制是显式组织参考、空间几何和频谱信息，而非仅依赖时间拟合。摘要给出的理论条件是：在缺失掩码固定、可靠性权重不随共同偏移变化时，架构对加性共同参考信号具有等变性；这一性质不应扩大解释为对任意参考变换均不变。 作者在 PhysioNet、SEED-IV 和 MCD 上评估 25%、50% 与 75% 的整通道缺失，并与 14 个基线实现比较。作者报告，在 75% 缺失条件下，三个数据集的平均 NRMSE 依次为 0.0723、0.1274 和 0.0922。MCD 使用留出被试评估，并在每位被试内部对三个记录阶段取平均；其余数据集的训练测试划分及 NRMSE 归一化定义尚未验证，不能据这些数值直接比较数据集间的恢复难度。 在固定下游分类器、25% 通道缺失的条件下，作者报告：相较受损输入，重建在 PhysioNet 的四项运动与运动想象任务中使 Balanced Accuracy 提升 3.44–8.37 个百分点，Cohen’s kappa 提升 0.068–0.122。作者还报告消融支持空间与频谱约束的贡献，以及可靠性加权在 SEED-IV 上的收益；各任务对应结果、消融幅度与统计不确定性尚未验证。 复现时需核对电极图构造、可靠性权重计算、共同参考分离及谱增益实现，并确认缺失掩码生成方式、数据划分、基线训练条件与固定分类器的评估流程。实验协议、消融及统计信息尚未取得全文验证；摘要结果支持进一步考察缺失通道恢复，但尚不能据此认定其适用于所有参考方式、通道布局或实际采集故障。