从 fMRI 预测 EEG 频谱图以识别神经节律背后的全脑活动

基于摘要分析。本研究针对同步 EEG-fMRI 中跨模态关系复杂、被试间差异较大的问题，提出从全脑 fMRI 预测 EEG 频谱图的机器学习框架，以研究清醒与非快速眼动睡眠状态下神经节律的全脑空间关联。 方法由 RNN 编码器和非线性全连接解码器组成，预测频率范围为 0–17.1 Hz。作者以频谱图为预测目标，利用神经振荡之间的共同变化结构，并设计两类模型：Subject Generalization 面向未见被试的跨被试预测，Subject Specific 学习个体化 EEG 特征。摘要未提供损失函数、时间对齐方式、输入时间窗口或具体训练配置。 研究使用包含 27 名被试的同步 EEG-fMRI 数据，覆盖清醒及非快速眼动睡眠阶段。作者报告，Subject Generalization 能准确预测 EEG 频谱图，但摘要未给出评价指标或数值；Subject Specific 对所有高于 6 Hz 的频率显著改善预测。作者据此认为，较慢频率的 EEG-fMRI 关系具有更小的被试间差异；这一解释的统计依据及个体化模型的数据划分尚需核对。 为定位预测信息，作者分别使用各灰质脑区训练模型。作者报告，觉醒相关系统可广泛预测不同频率，而部分网络具有频率选择性，例如视觉网络能够预测 alpha（8.5–12 Hz）功率。这些结果支持不同大尺度脑网络包含与 EEG 节律相关的预测信息，但预测关联不等同于确定节律的因果来源。 复现与解读需核对 EEG 频谱构建、fMRI 预处理、血流动力学时延处理、跨被试及个体化训练测试划分、对照基线、预测指标和脑区比较的统计方案。实验协议、消融及统计信息尚未验证。材料支持跨模态节律分析的研究价值，尚不能据此认定其具有实时 BCI 解码或临床应用效果。