MontageFlow：物理有效的高保真 EEG 生成

基于摘要分析。研究针对隐私约束下有标签临床 EEG 数据稀缺的问题，提出 MontageFlow：一种将输出限制在满足导联线性恒等关系的信号空间内的 flow-matching 生成模型，并以整段 EEG 编码得到的生理状态向量作为条件，兼顾物理有效性与生成保真度。 核心机制是利用 EEG 导联的测量结构：每个通道记录两个头皮电极之间的电压差，因此通道间存在由导联配置决定的精确线性关系。作者指出，现有生成器可能在保真度指标改善的同时违反这些关系，并声称其所考察的生成器均存在该问题；这一结论的模型覆盖范围与检验方式尚未验证。MontageFlow 通过限制输出空间强制满足这些恒等关系，但摘要未说明约束的具体参数化、损失形式或数值实现。 为保留可能被过度平滑抹去的 EEG 特征，模型使用从完整 EEG 窗口编码的生理状态向量作为条件；生成时，该向量从潜在空间中拟合的先验分布采样。该向量如何学习、是否依赖标签，以及先验的形式尚未验证，不能据此认定其各维度具有明确生理可解释性。 作者报告，在三个大型基准上，模型在保证物理有效性的同时，相对最接近的竞争方法取得了 1.7–2.5 倍的 TS-FID 改善。摘要未提供基准名称、具体分数、该倍数的计算方式、数据划分或对照模型，因此不能进一步比较跨被试或跨数据集效果，也不能将生成质量提升等同于下游 BCI 性能或隐私保护效果。 复现时应核对导联配置与约束空间的构造、不同参考方式下的适用性、生理状态条件编码和先验拟合流程，以及物理有效性的误差容限与 TS-FID 评估协议。实验协议、消融及统计信息尚未验证；摘要也不足以判断合成数据是否改善临床任务、是否保留罕见异常模式，或是否存在训练样本记忆风险。