Neural Brain Fields：一种受 NeRF 启发的未实测 EEG 电极信号生成方法

基于摘要分析。该研究针对 EEG 长度不一、低信噪比、被试差异、会话内漂移及高质量数据稀缺等建模挑战，提出 Neural Brain Fields：借鉴 Neural Radiance Fields（NeRF），以单个 EEG 样本训练神经网络，将信号编码为固定大小的权重向量，并生成未观测时间点与头皮电极位置的 EEG 信号。 核心机制是将 NeRF 从离散视角图像学习连续场景的思路，对应到从离散头皮电极记录学习连续神经活动表示。这里的表征载体是为单个样本拟合所得的网络权重，而非摘要明确提供的共享预训练模型。摘要未说明时空坐标编码、网络结构、损失函数、单样本训练成本，以及权重向量如何用于后续分析，这些细节尚未验证。 作者报告，该表示支持任意目标分辨率、包括超高分辨率的连续脑活动可视化及原始 EEG 重建，并可模拟未实测电极的数据；将重建信号输入常规 EEG 处理网络后，作者报告下游性能改善。摘要未提供数据集、被试数、下游任务、指标数值、对照方法或被试内、跨被试、跨会话评估协议，因此不能判断改善幅度及泛化范围。高分辨率生成也不等同于获得同等分辨率的真实测量证据。 复现时应重点核对：未观测位置与时间点的划分方式、是否有真实留出电极作为重建参照、与常规插值方法的比较，以及单样本拟合与下游训练、评估之间的数据边界。低信噪比、稀疏电极布局、跨被试差异和会话漂移下的稳定性亦需验证。实验协议、消融及统计信息尚未验证。