将 EEG 空间超分辨率重新理解为动态状态分解与滤波

基于摘要分析。本文研究流式 EEG 空间超分辨率，即从稀疏电极观测恢复高密度 EEG 信号，提出 Dynamic State Filtering（DSF），将重建表述为序列状态滤波问题。核心思路是显式区分由历史状态继承的可预测演化，以及当前观测揭示的新变化，而非仅依赖单一路径进行时序重建。 机制上，DSF 结合历史感知的动态分支与创新滤波分支，将波形状态估计拆分为预测和观测驱动的校正。这里的“创新”指当前观测带来的新增状态信息。为估计不完整空间观测中的创新如何影响缺失电极位置，方法通过受掩码约束、拓扑感知的转移算子，在电极之间传递已观测创新，再进行不确定性感知的状态校正，最终融合两种互补估计以重建稠密 EEG。摘要未给出转移算子的具体形式、不确定性的估计方式、训练损失或融合实现，相关细节尚未验证。 作者报告，在 SEED、SEED-IV 和 BCI2000 上，DSF 改善了重建保真度与下游应用效用，并在动态变化及不可靠的稀疏观测下保持鲁棒性。摘要未提供具体指标、数值、稀疏电极配置、下游任务、对照方法或被试内／跨被试等划分，因此不能据此判断增益幅度、跨协议泛化能力或实际在线性能。 复现时值得核对历史预测、创新传播与不确定性校正各自的贡献，以及动态电极变化和不可靠观测的构造方式；还需确认电极拓扑与掩码的定义、状态初始化、推理时可用信息及计算开销。实验协议、消融及统计信息尚未验证。空间重建收益不能直接等同于 BCI 解码收益，需结合原文的下游任务与评估设置判断。