缺失但未丢失：利用预训练扩散模型重建任意缺失的 EEG 通道

基于摘要分析。该研究针对 EEG 采集中的通道缺失问题，提出基于预训练的扩散框架 Uni-SVDiffusion，以观测通道为条件重建缺失通道，并尝试通过统一通道映射适配不同 EEG 配置。 核心机制是利用奇异值分解（SVD）将 EEG 信号分解为空间与时间成分，在空间表示上训练扩散模型，再根据已观测通道进行条件重建。与直接处理完整时空信号的思路相比，其方法重点在于以空间表示建模跨通道关系；但 SVD 的具体分解方式、保留秩、时间成分如何参与重建、条件注入方式及训练损失尚未验证。 为支持不同通道配置，作者提出正向/反向通道映射策略，旨在保留空间结构，并结合卷积预训练促进 Cross-dataset 泛化。摘要尚未说明映射如何处理电极位置、通道数量与布局差异，也未交代预训练数据规模以及目标数据集是否需要微调，因此统一模型的适用边界仍需核对。 作者报告，在三个数据集上的评估中，Uni-SVDiffusion 达到最先进性能，并在严重通道缺失条件下保持良好表现。摘要未提供数据集名称、被试数、划分协议、缺失比例与模式、对照方法或指标数值，故目前无法判断其优势幅度，也不能将不同协议下的结果直接比较。实验协议、消融及统计信息尚未验证。 对 BCI 应用，需进一步核对重建是否保留任务相关 EEG 特征，以及重建质量改善能否转化为下游解码收益；摘要未提供这方面证据。此外，扩散推理时延与实际采集条件下的适用性尚待评估。作者表示代码和预训练模型将在论文被接收后发布，这不等于目前已公开，也不构成已接收状态的证据。