XDL-ESI：基于可解释深度学习框架的电生理源成像及同步 EEG 与 iEEG 验证

基于摘要分析。该研究针对 EEG/MEG 源成像（ESI）逆问题的病态性，提出可解释深度学习框架 XDL-ESI，将迭代优化更新展开为神经网络模块，以数据驱动方式学习源解的结构，并引入利用空间几何信息的 topological loss。主要研究对象是电生理源重建，而非直接的 BCI 任务解码。 传统 ESI 依赖对源活动时空结构的假设，通过人工设计的正则化约束限制解空间。XDL-ESI 的机制是连接迭代优化算法与深度学习架构，让网络模块承担展开后的更新过程；其 topological loss 对不同定位误差施加不同惩罚。作者认为，这一设计兼顾迭代优化的可解释性与深度学习的函数逼近能力，有助于提升重建鲁棒性及效率。摘要未提供所展开的具体算法、网络结构、损失公式、训练监督来源或推理流程，这些细节尚未验证。 作者报告，框架在模拟数据与真实临床数据上取得满意表现，并进一步使用同步 EEG 与 iEEG 进行验证。摘要未给出数据集名称、被试数量、数据划分、对照方法、定位误差指标或运行时间，因此尚不能量化其优势，也不能判断其被试内、跨被试或跨会话泛化能力。同步 iEEG 如何作为验证参照、其采样覆盖范围，以及可解释性的评价方式，均需核对全文；实验协议、消融及统计信息尚未验证。 复现评估应首先核对源空间与前向模型的构建、训练和测试数据的生成或配对方式、topological loss 的定义，以及 EEG 与 iEEG 的时空对齐和验证标准。摘要未提供代码与运行条件。材料支持将其作为 EEG 源成像方法研究阅读，但尚不支持推断其能改善 BCI 解码表现。