将 EEG 空间超分辨率重新表述为动态状态分解与滤波

基于摘要分析。该研究面向流式 EEG 空间超分辨率，即从稀疏电极观测恢复高密度 EEG 信号，提出 Dynamic State Filtering（DSF），将重建表述为序贯状态滤波问题，显式区分历史状态带来的可预测演化与当前观测揭示的新变化。 核心机制是结合历史感知动力学分支与新息滤波分支，将波形状态估计拆分为预测和观测驱动的修正。对于仅在部分电极上可见的新息，DSF 使用受掩码约束、拓扑感知的转移算子，将其影响传播到缺失电极位置，再通过不确定性感知的状态修正纳入估计，最终融合两种互补估计以重建密集 EEG。其方法特点不是单纯增加时间建模，而是显式组织“历史预测—新息传播—状态修正”的重建过程；具体算子、融合方式、损失与训练设置尚未验证。 作者报告，在 SEED、SEED-IV 和 BCI2000 上，DSF 改善了重建保真度与下游效用，并在动态变化且不可靠的稀疏观测条件下保持鲁棒性。摘要未提供具体指标、提升幅度、下游任务、稀疏电极配置及被试内或跨被试等划分协议，因此尚不能判断效果大小、适用范围或与其他方法的可比性。 复现时需核对电极拓扑与掩码的构造、不可靠观测的定义、不确定性的估计方式，以及历史预测、新息传播和状态修正各自的贡献。流式推理的时间窗口、延迟、数据划分、消融及统计信息均尚未验证；摘要中的下游效用改善也不能直接等同于在线 BCI 性能提升。