ESI-GAL：基于 EEG 源成像的抓握与提举任务运动学参数估计

基于摘要分析。该研究针对抓握与提举任务中的三维手部运动学预测，利用运动前 EEG，比较额顶区域传感器域与 EEG 源成像（ESI）源域特征的解码能力，并探索被试内与跨被试轨迹估计，为 BCI 运动控制提供可行性证据。 研究使用公开数据集 WAY-EEG-GAL，探索深度学习解码器以及不同时间滞后和窗口长度，以 Pearson correlation coefficient（PCC）评价运动轨迹预测。传感器域直接使用 EEG 数据特征，源域使用 ESI 数据特征；具体源重建方法、特征构造、模型结构、损失函数及运动前数据与目标轨迹的对齐方式，摘要未披露，尚未验证。 作者报告，rEEGNet 在所考察的传感器域和源域设置中表现最佳，对应时间滞后为 100 ms、窗口长度为 450 ms。传感器域特征在 x、y、z 方向的最高平均 PCC 分别为 0.790、0.795、0.637；源域分别为 0.769、0.777、0.647。摘要未明确这些数值属于被试内还是跨被试协议，也未提供数据划分、平均范围及统计不确定性，因此不能直接将其解释为跨被试性能。就所列数值而言，源域并未在三个方向上一致优于传感器域。 作者还报告使用源域特征与所提出的深度学习解码器进行了跨被试轨迹估计，但摘要未给出对应的独立量化结果。复现时需核对 ESI 的头模型与逆解设置、额顶区域定义、预处理流程、训练与测试划分、时间窗构造及跨被试训练方式。实验协议、消融及统计信息尚未验证；这些结果支持该任务下轨迹解码的可行性探索，尚不能据此确认在线闭环 BCI 或康复设备中的实际控制效果。