LBTAR：用于 EEG 空间超分辨率的可学习脑拓扑引导自回归通道恢复

基于摘要分析。该研究针对低密度 EEG 空间覆盖不足的问题，提出 LBTAR，通过状态依赖的序列通道恢复，从低密度观测重建高密度 EEG。其核心贡献是用动态恢复路径替代一次性重建或固定顺序的自回归恢复，使通道选择能够随当前观测上下文与恢复状态调整。 机制上，LBTAR 将 EEG 通道视为节点，结合通道到脑区的归属、脑区间邻接关系及电极空间信息，构建脑区结构引导的通道拓扑。每一步综合当前可见上下文、尚待恢复的候选通道、动态拓扑和通道级预测可靠性，选择下一组需要恢复的通道。掩码条件重建网络生成全通道预测，但仅将选中通道的信号写回，逐步更新恢复状态；通道级不确定性进一步用于调整后续拓扑及恢复决策，以缓解误差传播。具体拓扑学习方式、网络结构、损失函数、不确定性估计及停止条件尚未验证。 作者报告，在 SEED、SEED-IV 和 Localize-MI 三个公开数据集的多种空间超分辨率比例下，LBTAR 取得了较好的时域重建表现与频域一致性，并保持相对较低的计算开销及高缺失通道比例下的稳定表现。作者还报告，消融实验支持动态恢复、脑区结构先验和不确定性感知建模的有效性。摘要未提供具体指标数值、对照方法、通道配置及被试内、跨被试或跨会话划分，实验协议、消融及统计信息尚未验证，因此不能据此量化优势或比较不同设置。 复现时需核对低密度观测通道如何选取、脑区与电极信息如何编码、已恢复通道如何参与后续预测，以及不同恢复步数下的误差和计算成本。摘要中的证据主要涉及信号重建质量；其是否能保持下游 BCI 解码所需信息，以及对未见被试、不同电极布局和低信噪比数据的适用性，仍待验证。代码与运行条件尚未验证。