BOLDFlow：通过条件流匹配从 EEG 恢复 fMRI 网络层级功能连接

基于摘要分析。该研究关注如何从头皮 EEG 推断 fMRI 的功能连接（FC），提出 BOLDFlow，以条件流匹配建模分区 BOLD 活动的条件分布，目标是在恢复时间信号的同时保留对跨脑区相关结构重要的残余协方差。 作者指出，逐脑区回归器和联合均方误差解码器容易趋向条件均值，从而丢失残余跨脑区协方差。BOLDFlow 使用学习得到的 EEG 条件源进行条件流匹配；其采样轨迹保留模型中的残余跨脑区协方差，重复采样则产生随输入变化的集成离散程度，无需单独的不确定性预测头。具体源分布、EEG 编码方式、训练损失与轨迹采样实现尚未验证。 作者报告，在覆盖静息与睡眠场景的两个扫描仪内同步 EEG–fMRI 数据集上，采用训练与评估被试不重叠的划分，测得 FC 恢复指标在 NeuroBOLT 上由 0.428 提升至 0.584，在 OpenNeuroSleep 上由 0.340 提升至 0.528；时间相关性分别由 0.272 提升至 0.326、由 0.151 提升至 0.212。摘要未明确这些提升对应的具体对照方法及 FC 指标定义，不能据此扩展比较。作者还报告，模型可扩展至包含 512 个成分的输出分区，恢复的连接组保留个体特异性与社群结构，集成离散程度经单参数再校准后达到名义覆盖率。 其直接贡献是 EEG 到 BOLD 条件分布及功能连接的恢复，而非 BCI 任务分类或控制性能验证。复现时需核对同步采集与预处理、被试划分、脑区分区、FC 计算方式、对照基线、重复采样设置，以及校准数据与评估数据的关系。被试数量、实验协议细节、消融及统计信息尚未验证；扫描仪内同步数据上的效果能否推广至独立采集的 EEG，也需进一步验证。