采用层次图先验的 EEG/MEG 源成像概率结构学习

基于摘要分析。该研究针对 EEG/MEG 源成像中时间结构利用不足、噪声敏感，以及全时程过强相似性约束难以描述活动变化的问题，提出基于层次图先验的概率源成像模型。其主要贡献是在保持脑源活动模式变化灵活性的同时，通过生成树约束引入时空连续性，并采用交替凸搜索求解。 技术机制：论文的研究对象是从 EEG/MEG 记录重建脑源活动，而非直接进行 BCI 任务分类。摘要指出，传统方法可能将不同时间点的源活动视为互不相关，另一些方法则鼓励整个时间过程具有高度相似的活动模式。所提模型旨在平衡这两类假设，利用层次图先验组织源活动结构，以生成树约束维持活动模式的时空连续性。作者称求解算法具有收敛保证，但先验的具体参数化、目标函数、图结构学习步骤及收敛结论的适用条件尚未验证。 评估与结果：作者在逼真脑模型上使用合成数据开展数值研究，并考察传感器空间和源空间中不同信噪比（SNR）水平的影响；另在两个真实 EEG/MEG 应用中评估重建结果。作者报告，相较基准方法，该模型的源定位表现显著改善，尤其在高噪声条件下，并认为真实应用中的重建结果具有神经学合理性。摘要未提供具体数据集、被试数量、SNR 数值、基准名称、定位指标或效应量；实验协议、消融及统计信息尚未验证。神经学合理性也不能直接等同于已验证的定位准确性。 复现与适用边界：应核对正向模型、源空间设置、噪声构造、先验强度选择、生成树约束实现及计算成本，并确认其在不同活动变化速度下的表现。该工作直接涉及 EEG/MEG 源重建，但材料未报告 BCI 解码或在线使用效果，不能据此推断其能提高 BCI 性能。代码与完整复现条件尚未验证。