Transformer 网络实现 EEG 测量源定位的稳健泛化

基于摘要分析。该研究针对 EEG 源定位中噪声干扰及既有神经网络方法难以泛化到原训练设置之外的问题，提出用于单源与多源定位的 Transformer 模型，并建立考虑源区域密度、噪声水平和电极缺失等因素的训练与评估框架。 方法与数据：作者利用已知脑内源位置生成数十万条模拟 EEG 测量数据训练模型，以已知源位置提供定位监督。摘要强调模型针对 EEG 数据中的困难进行设计，但未披露输入表示、源位置编码、网络结构、损失函数及单源与多源输出方式，不能据此判断其如何处理通道变化或源间相互作用。 结果与对照：作者报告，在上述多种模拟条件下，Transformer 模型的定位误差持续低于所比较的经典方法和机器学习方法。摘要未给出误差数值、单位、基线名称、训练测试划分或各条件下的结果，因此尚不能确定优势幅度，以及评估是否涉及未见源位置、头模型或电极布局。作者还报告开展了网络配置与训练流程的消融研究，具体实验协议、消融结果及统计信息尚未验证。 适用边界与复现：主要研究对象是 EEG 源定位，而非直接的 BCI 任务解码；模拟数据上的表现不能直接视为真实 EEG、跨被试或跨会话有效性的证据。需进一步核对真实测量验证、头部正向模型、噪声生成方式、电极缺失处理及训练测试条件的关系。作者表示代码和数据将在论文发表时公开，材料未确认当前开放状态，也未提供可核对的实现细节。