学习导联场校正以实现 EEG–fMRI 功能连接对齐

基于摘要分析。本文研究 EEG 与 BOLD-fMRI 联合分析中的功能连接对齐，提出 Lead-Field Low-Rank Correction（LF-LoRA），通过匹配两种模态的脑分区协方差，为每位被试学习基于 T1 的导联场低秩校正。主要研究对象是多模态脑功能关系及 EEG 正向模型的个体结构，而非直接验证 BCI 解码性能。 方法将校正后的导联场写为 A = A₀ + UVᵀ，并据此构建线性 EEG 到脑分区映射算子 B，使 EEG 侧估计的分区协方差 BΣ_yBᵀ 与 fMRI 分区协方差 Σ_z 对齐。两种协方差分别由同一被试在相应模态下的静息数据估计；摘要未说明采集是否同步。低秩校正保留了导联场所依据的线性正向建模框架，但具体协方差匹配损失、校正秩、约束及优化过程尚未验证。 模型还允许解耦的时间算子，在正时滞 τ > 0 下对齐 EEG 与 BOLD-fMRI 协方差；作者将其作为探索神经活动动态的途径。时滞如何定义和估计、如何处理血流动力学响应，以及解空间中的可辨识性问题，需结合全文核对，不能据摘要将协方差对齐等同于真实源活动恢复。 作者在 LEMON cohort 上评估该方法，并报告实验支持所学模型的被试特异性，以及在皮层上解读 UVᵀ 的用途。摘要未提供被试数、划分、对照方法或量化指标，实验协议、消融及统计信息尚未验证。复现需核对 T1 导联场构建、脑分区定义、两模态预处理和协方差估计，以及拟合数据与评估数据的分离方式。 平台推测（待验证）：该机制可能为个体化 EEG 源空间表征提供校准思路，但它依赖每位被试的 T1 和静息 fMRI，不能直接视为仅 EEG 条件下可用的 BCI 方法。可复用的是低秩导联场校正与协方差匹配框架；迁移到 BCI 需重新检验任务态适用性，并控制低信噪比、通道配置变化及短记录下协方差不稳定的风险。一个可检验的小实验是在严格分离的静息数据上拟合校正，比较原始与校正导联场在留出数据上的跨模态协方差误差。已有相关 EEG 工作尚未检索确认。