对抗 EEG 中跨空间与时间的有害传播

基于摘要分析。本文研究 EEG 中任务无关信号在电极间传播、随时间累积并与预测线索纠缠的问题，提出 CounterField，从图随机偏微分方程（SPDE）视角将干扰抑制表述为对其传播过程的对抗，而非仅在传播后修正表征或结构。 核心机制是构建针对有害传播的谱响应，使干预保持一致性，同时保留具有预测价值的信息流。作者将其与主要作用于结果层面的正则化方法区分：当干扰已经扩散并与有效线索纠缠时，事后去除可能更困难，也可能损伤任务相关的神经信号特征。这一论述构成方法动机，但摘要不足以确认其相对具体基线的机制优势。 作者报告，CounterField 在多种 EEG 任务的评估中取得一致提升，并将其解释为传播层面干预有助于学习紧凑且具有预测性的时空动态。摘要未提供任务名称、数据集、被试数量、被试内或跨被试等划分协议、对照基线、指标及提升幅度，因此不能据此判断收益大小或泛化范围。 复现时需核对图的构建方式、SPDE 的具体定义、谱响应的参数化，以及方法如何识别或约束“有害传播”并保留预测信息流；损失函数、训练与推理流程、实验协议、消融及统计信息尚未验证。尤其需要查明性能收益是否可归因于传播层面的干预，以及该机制在不同任务和记录条件下的适用边界。摘要未提供代码与运行条件，复现可行性尚未验证。