基于结构化稀疏性与 L 范数残差的 EEG 扩展源成像

基于摘要分析。本文研究如何在强背景活动与异常伪迹干扰下，从 EEG 重建皮层神经活动的位置及空间范围，提出鲁棒源成像方法 L1R-SSSI。其核心贡献是结合 L1 残差损失与结构化稀疏约束，在抑制异常值影响的同时，估计局部平滑、全局稀疏的扩展源。 机制上，L1R-SSSI 使用 L1-loss 建模残差误差，并在源的变化域与原始源域同时施加 L1 范数正则化；前者与后者共同构成结构化稀疏约束。优化采用交替方向乘子法（ADMM）。摘要未提供变化算子的具体定义、正则化参数选择或收敛与计算开销信息，这些复现条件尚未验证。 作者报告，模拟与实验数据分析显示该方法能够抑制 EEG 异常伪迹的影响。在摘要所述全部数值模拟条件下，相比传统 L2 范数方法 wMNE、LORETA，以及采用 L2 损失和结构化稀疏约束的 SISSY，该方法具有更大的 AUC、更小的 SD、DLE 与 RMSE；作者报告平均 AUC >0.80、平均 SD <50 mm、平均 DLE <10 mm、平均 RMSE <1.75。摘要未给出模拟条件、各基线的对应数值、指标完整定义或 RMSE 单位，因此这些结果不能外推至其他评估协议。作者还报告，相比采用 L1-loss 与 Lp 范数正则项的 LAPPS，该方法对扩展源的估计更好，但未在摘要中给出对应量化结果。 该工作的主要对象是 EEG 源成像，而非 BCI 任务解码。进一步评估需核对头模型与导联矩阵、源范围及噪声和伪迹设置、实验数据来源、参数选择、消融及统计信息；这些细节尚未验证。摘要中的定位与重建结果不构成 BCI 分类或在线控制性能提升的证据。