使用状态空间模型同时求解大规模 MEG/EEG 源定位与功能连接问题

基于摘要分析。本文研究如何在大规模 MEG/EEG 分析中同时估计脑源活动与功能连接，提出 multiple penalised state-space（MPSS，多重惩罚状态空间）模型，以数据驱动正则化结合新的优化算法，处理传统状态空间估计的计算成本及稀疏估计的偏差问题。 核心机制：状态空间模型用于描述不可直接观测的动态过程。摘要指出，Kalman filtering 和 expectation maximisation 在大规模分析中计算成本较高；稀疏逆协方差估计虽可降低成本，但强制稀疏与估计偏差之间存在权衡，低信噪比（SNR）条件下尤其需要评估。作者提出三部分方案：MPSS 模型及数据驱动正则化；从反向传播、梯度下降与交替最小二乘推导的求解算法；用于评估正则化参数的 K-fold 交叉验证扩展。具体状态方程、惩罚项、优化步骤和交叉验证划分方式尚未验证。 验证范围：作者报告，在不同 SNR 条件下使用较简单及更复杂的模拟验证该框架，其中包括大规模合成 MEG/EEG 数据分析；另将 MPSS 应用于真实事件相关 MEG/EEG 数据，同时求解涉及皮层表面数千个源的源定位与功能连接问题。作者认为该方法可突破现有方法局限于小规模或感兴趣区域分析的约束，但摘要未提供定位误差、连接恢复指标、运行时间或相对基线的量化结果，不能据此确认性能提升幅度。 阅读与复现重点：应核对源定位与连接估计如何在同一模型中耦合、正则化如何影响低 SNR 下的偏差，以及 K-fold 扩展如何处理时间序列依赖。真实数据的被试规模、数据划分、连接定义、对照基线、实验协议、消融及统计信息尚未验证，代码与运行条件也尚未验证。本文直接面向 MEG/EEG 源空间分析，但摘要未报告 BCI 解码任务，其对 BCI 性能的价值仍待验证。