XDL-ESI：基于可解释深度学习框架的电生理源成像及同步 EEG 与 iEEG 验证

基于摘要分析（所提供材料为 Highlights，未取得论文全文）。该研究面向 EEG/MEG 源成像，提出可解释深度学习框架 XDL-ESI，以 Unrolled Optimization Neural Networks（UONN，展开优化神经网络）为基础，通过数据驱动方式学习时空正则化，并使用同步记录的 EEG 与 iEEG 进行验证。 技术机制：材料明确将展开优化与时空正则化学习结合，关注从电生理观测重建源活动的问题，而非直接进行 BCI 任务分类。展开优化通常将求解过程组织为可训练计算模块，但本文对应的优化目标、更新步骤、正则化形式及其与网络模块的关系尚未验证，不能据此推定具体架构或损失函数。 结果与证据：作者报告该框架具有可解释性与较强的逼近能力，并在同步 EEG 与 iEEG 验证中表现良好。材料未提供具体指标、对照方法、被试数量或数据划分，因此无法判断其相对传统源成像方法的增益，也不能将该结果扩展为 MEG 上已完成验证。同步记录提供了核对源估计与颅内观测关系的条件，但 iEEG 如何参与评估或训练、空间覆盖如何影响结论，仍需查阅全文。 复现与适用边界：需核对头模型与正向模型、源空间定义、训练数据构建、EEG/iEEG 对齐、评估协议、消融及统计信息；代码与权重可用性尚未验证。该工作直接涉及 EEG 源成像，但现有材料不足以证明其对 BCI 解码或在线应用的有效性。