UnEBOLT：用于 EEG-to-BOLD 转换与功能连接重建的统一模型

基于摘要分析。该研究针对现有 EEG-to-fMRI 转换方法需要为各脑区分别训练模型、难以高效扩展的问题，提出 UnEBOLT，通过单一端到端模型中的自适应多脑区解码，从 EEG 预测全脑 fMRI 时间序列，并据此重建被试特异的功能连接矩阵。主要研究对象是跨模态脑信号预测与功能连接估计，而非直接的 BCI 任务解码。 机制与贡献：UnEBOLT 将多脑区 BOLD 时间序列预测整合到一个模型中，区别于逐 ROI 训练专用模型的方案。预测序列进一步用于估计功能连接，意在同时保留区域活动及脑区间关系。摘要未说明 EEG 编码器、自适应解码的具体实现、训练损失、EEG 与 BOLD 的时间对齐方式或功能连接计算方法，这些内容尚未验证。 结果与证据边界：作者报告，UnEBOLT 在多脑区预测条件下取得与专用 ROI 模型相当的性能，并可从重建的 fMRI 时间序列估计功能连接。摘要未提供数据集、被试数、脑区划分、被试内或跨被试协议、基线配置、评价指标及数值，因此无法量化“相当”的程度，也不能确认功能连接的个体特异性或临床标志物效用。摘要提及功能连接已被用于临床标志物，并不代表本研究完成了临床验证。 复现与局限核对：需查阅全文确认 EEG 与 fMRI 的采集及配对条件、预处理与划分协议、血流动力学时延处理、区域预测与连接重建的评价方式，以及统一模型相对逐 ROI 模型的计算和训练成本。由 EEG 预测 BOLD 仍属于模型估计，不能仅据摘要将其视为对深部脑活动的直接测量。实验协议、消融及统计信息尚未验证，代码与模型权重的可用性也尚未验证。材料未提供 BCI 下游任务验证，不能据此推断 BCI 性能提升。