多模态脑影像的张量分析与融合

基于摘要分析。本文研究不同空间与时间分辨率的多模态脑影像如何进行联合建模与融合，提出以多维张量表示数据、以较少成分或“原子”概括潜在过程，并引入 Markov–Penrose diagrams，统一表达相关概率模型与张量运算。 核心机制是将贝叶斯有向无环图（DAG）与张量网络记法结合。作者用这一图示体系解释 EEG 与 fMRI 的矩阵及张量时频分析、逆问题，以及通过 multiway partial least squares（多路偏最小二乘）和 coupled matrix-tensor factorization（耦合矩阵–张量分解）实现的多模态融合。其研究对象是多模态神经影像与脑网络建模，不能据此等同于 BCI 解码方法。 作者声称首次将脑网络的 Granger 因果分析表述为张量回归问题，从而支持脑网络的原子分解；这一优先性主张尚未独立核实。作者报告，对 EEG 和 fMRI 记录的分析展示了这些方法的潜力，但摘要未给出数据集、被试规模、采集与配准方式、评估划分、对照方法或定量指标，尚不能判断其相对既有方法的优势或泛化能力。 阅读正文时值得核对：不同模态如何建立共享维度与耦合关系，成分数如何选择，张量回归及网络分解采用何种约束，以及 Granger 分析的具体统计前提。实验协议、消融及统计信息尚未验证；代码、数据可用性和完整复现条件亦尚未验证。摘要不支持直接推导 BCI 任务上的性能收益。