EEG 到 fMRI 合成受益于电极关系的注意力图

基于摘要分析。该研究关注如何由 EEG 电生理活动回归预测 fMRI 血流动力学活动，核心思路是利用电极之间的拓扑关系，并结合 Fourier features、注意力机制、跨模态共享空间与潜在表示中的风格信息，构建多个 EEG 到 fMRI 合成模型。 机制上，论文将描述实体连接的拓扑结构纳入神经网络处理，以保留与血流动力学重建相关的电极关系信息。摘要明确列出了上述建模要素，但尚不足以确定图的构造方式、注意力权重的计算、共享空间的约束、风格信息的定义及具体损失函数，也无法判断各模块的独立贡献。 作者报告，在静息态与任务态记录设置下，所提出的模型显著优于该任务现有的最先进方法，并可将所学习的映射外推至诊断场景。摘要未提供具体数据集、被试数量、被试内或跨被试划分、对照方法、评价指标及统计检验，因此这里的“显著优于”仅保留为作者结论，不能据此判断优势幅度或临床有效性。 作者还报告了对回归最相关的 EEG 电极及影响最大的电极关系，并观察到，与皮层下区域相比，头皮处的血流动力学活动对所学习的共享空间具有相关性；这一表述的空间定位与分析定义需结合正文核对。整体结果支持作者关于电极关系有助于保留血流动力学重建所需信息的解释，但不能直接等同于 BCI 解码性能提升。 复现时应重点核对 EEG 与 fMRI 的时间对齐和预处理、图关系的来源、跨模态训练所需数据、各模块消融及诊断场景的外推协议。实验协议、消融及统计信息尚未验证，代码与其他复现资源的可用性也尚未确认。