用于 EEG 与 MEG 数据融合的耦合生成器分解

基于摘要分析。该研究针对多模态、多被试神经成像中共同响应与来源特异变异的分离问题，提出 coupled generator decomposition（耦合生成器分解），将 sparse principal component analysis（SPCA，稀疏主成分分析）推广到数据融合，并应用于面孔知觉实验中的 EEG 与 MEG 数据。 机制与评估：框架旨在识别不同数据来源的共同特征，同时容纳模态特异和被试特异变异。作者通过 EEG/MEG 试次的 split-half 交叉验证，考察不同复杂度模型的最优模型阶数与正则化强度，并与假设刺激诱发脑响应在群体间共享的群体层面模型比较。该划分不能直接视为 Cross-subject 泛化评估；具体试次划分、预处理、被试数量、目标函数及约束尚未验证。 作者报告：相较真实面孔，打乱面孔对应的梭状回面孔区约 170 ms 激活发生变化，这一现象在多模态、多被试模型中尤其明显。摘要未提供变化方向、效应量或统计显著性，不能进一步推断其诊断或 BCI 应用价值。 实现与复现：作者使用 PyTorch 随机优化推断模型参数，报告在 SPCA 场景下与传统二次规划推断具有相当表现、但执行速度更快；具体性能指标、运行时间、硬件与比较设置尚未验证。作者还称提供包含 SPCA、archetypal analysis 和 directional archetypal analysis 数据融合功能的工具箱，其获取方式及复现配置需核对全文。 该工作的直接贡献是 EEG/MEG 神经成像数据融合与响应分解，而非已验证的 BCI 解码改进。实验协议、消融及统计信息尚未验证。