利用空间图频率特征评估脑源重建解的质量

基于摘要分析。本文研究 EEG/MEG 源成像（ESI）中缺少真实源激活时如何评估重建解的质量，提出从源空间重建结果提取统计特征，并用机器学习模型判别解是否令人满意。作者报告，在具有真实源激活的合成 EEG 数据上，该方法展示了不直接依赖待评估样本真实源标签来判断重建质量的可行性，可作为进一步调节超参数的反馈。 研究动机是：不同 ESI 算法、同一算法的不同超参数，以及活跃源的位置，都可能影响重建性能。训练与测试数据由不同算法在合成 EEG 数据上生成的重建解构成；作者依据 Area Under Curve（AUC）和定位误差（LE）确定好解与坏解，再从解中提取空间及一般统计特征进行分类。原标题强调空间图频率特征，但摘要未说明图的构建方式、频率表示、具体特征、分类器或损失形式，相关实现尚未验证。 该机制将训练阶段依靠已知真实源定义的质量标签，与评估阶段使用重建解自身特征进行预测区分开来；因此，“无需真实源标签”不意味着训练过程完全不依赖真实源信息。作者报告的是合成 EEG 条件下的可行性，摘要没有提供具体分类指标、AUC 与 LE 的标签阈值，也未明确训练与测试是否按算法、源位置或其他条件隔离。实验协议、消融及统计信息尚未验证，真实 EEG/MEG 上的泛化表现亦尚未验证。 复现时需核对合成信号及前向模型设置、源空间图与特征定义、质量标签规则、样本划分和所用重建算法，并检验模型面对不同源位置、超参数与噪声条件时的稳定性。该工作直接面向源重建质量评估，摘要并未提供其改善 BCI 解码性能的证据。