使用深度卷积网络进行 EEG 超分辨率的可行性研究

基于摘要分析。研究探讨图像超分辨率（SR）中的深度学习方法能否用于 EEG，提出深度卷积网络以提高模拟 EEG 数据的空间分辨率。核心问题是噪声类型及信噪比（SNR）、上采样倍率如何影响恢复效果，以及能否改善超分辨率后的信号质量。 方法以低空间分辨率（LR）EEG 到高空间分辨率（HR）EEG 的恢复为目标，分别考察白高斯噪声与真实有色噪声条件。这里的超分辨率指空间分辨率提升，而非提高时间采样率；摘要未给出通道布局、LR/HR 数据构造、网络结构、损失函数或训练与测试划分。 作者报告，在白高斯噪声模拟条件下，SR 不仅将 LR 信号恢复为 HR 信号，还改善了信号质量；在真实有色噪声条件下，恢复信号的质量达到目标数据水平。作者还报告，随着上采样倍率增加，所得信号质量仍可接受，但摘要未提供倍率范围、评价指标、数值或对照基线，因此尚不能量化其有效范围，也不能据此认定其优于其他空间插值方法。 作者提出，白化技术可能缓解真实噪声 EEG 的重建限制，并预期 EEG SR 可降低实验成本；这些表述应分别视为待核验的改进方向与应用预期，而非已证实的部署收益。复现时需核对模拟信号与噪声的生成方式、目标数据是否含噪、白化流程、空间划分及恢复指标，并区分信号重建质量与下游 BCI 解码效果。实验协议、消融及统计信息尚未验证。