WRA-MTSI：基于多试次 EEG 的鲁棒扩展源成像算法

基于摘要分析。该研究针对单试次 EEG 源成像容易受非平稳性、噪声与伪迹影响，且同一认知任务的不同试次重建结果可能不稳定的问题，提出基于 Wasserstein 正则化的多试次源成像方法 WRA-MTSI，利用试次间共享信息重建脑活动。 核心机制是通过 Wasserstein 正则化学习多个试次的源分布相似性，同时施加结构化稀疏约束，以估计源的空间范围、位置及时间序列。优化问题采用交替方向乘子法（ADMM）求解。摘要未给出具体目标函数、源分布表示、正则化参数选择或收敛与计算开销，相关实现条件尚未验证。 在数值模拟和真实 EEG 数据分析中，作者报告 WRA-MTSI 相比单试次 ESI 方法 wMNE、LORETA、SISSY 和 SBL，更能减轻 EEG 伪迹对重建的影响；在源空间范围估计方面，作者报告其优于多试次 ESI 方法 group lasso、dirty model 和 MTW。摘要未提供具体指标、效应大小、真实数据的被试与任务信息，也未说明噪声设置及对照方法的调参方式，因此这些结果只能按所述评估场景理解，实验协议、消融及统计信息尚未验证。 该工作的主要研究对象是 EEG 源成像，而非 BCI 分类或控制性能。阅读与复现时应重点核对跨试次相似性约束如何保留真实的试次差异、结构化稀疏约束如何界定扩展源，以及正向模型、头模型和电极配置对结果的影响；不能将摘要中的源重建优势直接解释为已验证的 BCI 解码收益。