基于层次图先验的 EEG/MEG 源成像概率结构学习

基于摘要分析。本文研究 EEG/MEG 源成像中的噪声敏感性与脑活动模式随时间变化的问题，提出基于层次图先验的概率源成像模型，通过生成树约束维持活动模式的时空连续性，同时保留对时变模式的适应能力。 机制与方法：摘要指出，传统方法若假定不同时刻的源活动互不相关，容易受到噪声影响；若假定整个研究时段具有相似的时空模式，则难以描述活动模式的变化。所提方法以层次图先验连接这些模式，并采用基于交替凸搜索的算法求解。作者称该算法具有可证明的收敛性；图节点与边的具体定义、先验形式、优化目标及收敛条件尚未验证。 实验与结果：作者在真实脑模型上构造合成数据，分别考察传感器空间和源空间不同信噪比条件，并分析实际应用中的 EEG/MEG 数据。作者报告，相较于基准方法，该算法的源定位性能显著改善，尤其是在高噪声条件下；实际数据的重建结果具有神经学合理性。摘要未提供定位指标、效应幅度、基准方法名称、实际数据任务或被试信息，因此不能据此量化优势，也不能将神经学合理性等同于已验证的定位准确性。 适用范围与复现核对：主要贡献属于 EEG/MEG 源重建，而非直接的 BCI 解码结果。复现时需核对脑模型与前向模型、噪声及信噪比定义、生成树构建方式、优化初始化与停止条件，以及定位评估和对照设置。实验协议、消融及统计信息尚未验证；材料也未提供代码或数据可用性信息。其对下游 BCI 任务的效用仍需独立评估。