深度 EEG 超分辨率：利用生成对抗网络提升 EEG 空间分辨率

基于摘要分析。本文针对高通道数 EEG 采集设备成本较高的问题，提出基于 Generative Adversarial Networks（GANs）的 EEG 超分辨率方法，由低空间分辨率 EEG 生成通道上采样数据，插值补全缺失通道，并评估重建数据对原分类任务的影响。 核心机制是沿 EEG 通道维度进行空间上采样，而非提高时间采样率。摘要未说明生成器与判别器结构、损失函数、通道布局编码方式，以及低密度输入与高密度目标如何配对，相关实现细节尚未验证。 作者报告，在一个 mental imagery 任务 EEG 数据集上，相较 bicubic interpolation 基线，所提 GAN 方法的均方误差（MSE）与平均绝对误差（MAE）分别降低约 104 倍和约 102 倍，数值按所给摘要记载。摘要未提供数据集名称、被试数量、输入及目标通道数，也未交代被试内或跨被试划分，因此不能将该结果外推到其他通道配置或评估协议。作者还报告，通过训练原任务分类器进行验证，使用超分辨率数据时 Accuracy 损失较小，但未给出具体数值及训练、测试配置。 该方法直接面向低密度 EEG 的空间重建，但生成通道不等同于新增的独立实测信号，也不能仅据摘要确认其可替代高密度设备。复现时需核对通道降采样与配对规则、数据划分、误差计算及归一化方式，以及分类器使用重建数据的具体流程；实验协议、消融及统计信息尚未验证。