神经群体模型约束的深度神经网络改善脑时空动态的电生理源成像

DeepSIF 针对从无创高密度 EEG 重建脑内时空电活动的源成像问题，利用生物物理模型生成合成训练数据，使深度神经网络学习脑源动态特征。基于摘要分析，其主要贡献是将中尺度脑动态的生物物理建模与数据驱动逆问题求解结合，并在数值实验、健康被试和癫痫患者数据上开展评估。 机制上，神经群体模型所生成的训练数据承载脑源动态特征，网络通过训练隐式学习这些特征，而非像常规源成像方法那样在优化问题中显式构造和调节先验。摘要未提供网络结构、损失函数、合成数据规模、头模型及训练与推理细节，因此不能将标题中的“约束”进一步解释为特定的显式正则项或物理损失。 评估包括一系列数值实验、来自三个公开数据集的共20名健康被试的感觉与认知脑反应成像，以及20名耐药性癫痫患者的致痫区域定位；患者验证以侵入性测量和手术切除结果作为参照。作者报告，DeepSIF 的结果与感觉、认知加工的常见神经科学认识以及致痫组织位置和范围的临床发现一致，并优于常规源成像方法。摘要未给出具体指标、效应大小和对照方法名称，尚无法量化优势或判断不同场景下的稳定性。 复现与适用性评估需核对合成数据与真实 EEG 的匹配程度、个体头部结构及电极配置的处理、数据划分和患者验证流程；实验协议、消融及统计信息尚未验证，代码与模型可用性亦尚未验证。该工作直接研究 EEG 源成像，但摘要未提供 BCI 解码或在线控制结果，不能据此推断其已改善 BCI 性能。