基于数据合成的卷积编码器–解码器网络用于电磁源成像

基于摘要分析。该研究针对电磁源成像（ESI）的高度病态逆问题，提出数据合成驱动的时空卷积编码器–解码器网络 DST-CedNet，学习从 EEG/MEG 测量信号到脑活动源的映射。核心贡献是将动态脑活动的先验知识用于生成大规模训练样本，以区别于传统 ESI 中通过显式约束引入先验的方式。 机制方面，DST-CedNet 在卷积编码器–解码器中结合判别式学习与潜在空间表征，并利用合成样本训练源信号估计映射。作者认为，传统先验可能无法准确反映实际源属性，且部分约束主要服务于数学求解便利；该方法尝试改变先验的使用位置，而不是消除对先验的依赖。摘要未提供具体合成过程、源动力学模型、网络结构、损失函数或训练设置，这些内容尚未验证。 结果方面，作者报告，在数值实验以及真实 MEG 数据和癫痫 EEG 数据分析中，DST-CedNet 在多种源配置下的源信号稳健估计优于若干被作者称为当前先进的 ESI 方法。摘要未给出数据集名称、被试数量、划分协议、对照方法名称或定量指标，因此无法据此判断提升幅度，也不能将该结果解读为 BCI 解码性能提升。 复现时需核对训练数据合成所依赖的源先验与前向模型、不同源配置的覆盖范围、噪声条件，以及真实数据评估的参考依据和训练测试隔离方式。其关键待验证问题是：合成数据学到的映射能否适应真实记录中源动力学与观测条件的变化。实验协议、消融及统计信息尚未验证。