基于张量分解的 EEG 动态网络状态检测方法

该研究针对静态功能连接假设难以描述脑网络形成与消退的问题，提出基于张量分解的两步方法，先检测功能连接网络的变化点，再概括相邻变化点之间的网络状态。基于摘要分析，未取得论文全文。 方法将跨时间、跨被试的功能连接网络表示为四模张量，在各时间点对张量进行低秩近似，并通过子空间距离度量识别网络连接发生显著变化的时刻；随后沿被试与时间模进行张量—矩阵投影，获得各状态的网络概括。其核心思路是保留连接网络的多维组织结构，而非仅使用矩阵表示。具体功能连接估计方式、低秩近似算法、秩选择和变化点判定规则尚未验证。 作者将该框架应用于认知控制任务中采集的 EEG 数据，报告检测到的变化点与先验已知的 ERN（错误相关负波）时间区间一致，并在内侧额叶区域发现显著功能连接，与既有 ERN 振幅相关观察相符。这些结果是任务相关动态网络分析的证据，不等同于 BCI 解码性能验证。 作者报告，该方法在变化点检测和状态概括方面优于奇异值分解等传统矩阵方法。摘要未提供被试数量、数据划分、具体指标、效果幅度或统计检验细节，因此尚不能判断优势的规模及跨被试稳定性；张量包含被试维度，也不等于已完成跨被试泛化评估。复现时需核对 EEG 预处理、连接估计、时间分辨率、秩与阈值选择、对照方法配置，以及变化点和状态概括的评价标准；实验协议、消融及统计信息尚未验证。