用于 EEG 源空间连接分析的稀疏多任务逆协方差估计

基于摘要分析。该研究关注不同实验条件下脑网络结构的差异，提出 Sparse Multi-task Inverse Covariance Estimation（SMICE），用于同时估计跨任务共有连接网络与条件间具有区分性的连接网络。研究对象是源定位后的 EEG 皮层连接模式，而非 BCI 解码性能。 技术上，研究先求解 EEG 源定位逆问题，再在皮层表面定义网络，并通过稀疏多任务逆协方差估计分析共有与差异连接结构。作者提出基于 Alternating Direction Method of Multipliers（ADMM）的求解算法。摘要未给出目标函数、稀疏约束形式、共有与差异成分的具体耦合方式及超参数选择方法，这些机制细节尚未验证。 应用方面，作者分析入睡过程（Sleep Onset Process，SOP）与快速眼动（Rapid Eye Movement，REM）睡眠中的 α 振荡。作者报告，尽管两种状态均呈现相似的 α 振荡，其底层连接网络仍存在区别。摘要未提供定量指标、统计显著性或对照结果，因而这一结论应限定为所述睡眠状态与分析框架下的作者报告，不能据此推断 BCI 任务中的判别或泛化效果。 复现时需核对被试与数据规模、睡眠状态标注、源定位方法、皮层分区、样本组织方式，以及正则化参数和网络差异的统计检验。源定位误差与源间信号混合是否影响连接估计，也是需核验的问题，而非已确认的研究缺陷。实验协议、消融及统计信息尚未验证。