用于不依赖电极布局的 EEG 通道补全的坐标条件化检测器原子网络：零样本迁移与适用条件图谱

基于摘要分析。该研究针对不同设备 EEG 电极布局不一致、既有学习式缺失通道补全方法依赖固定布局与数据集内训练的问题，提出 coordinate-conditioned detector-atom network（CC-DAN），使单个预训练模型可在未见设备上零样本补全通道，并比较学习式补全与经典插值的适用条件。 机制上，CC-DAN 是自监督卷积字典模型：字典原子由电极坐标的球谐函数表示，检测器以坐标相关权重汇聚已观测电极，因此不依赖电极数量、顺序或名称。摘要还提到方差匹配损失与增益校准，用于缓解以均方误差（MSE）优化预测时的幅度收缩；具体损失形式、训练流程和校准所需信息尚未验证。 评估采用即插即用协议：模型在五个公开数据集、共 132 名被试上预训练，再零样本应用于九个留出数据集，覆盖 8 至 128 通道设备。对照包括最近邻插值、球面样条插值（SSI）、被试内 oracle 和学习式基线，考察信号误差、分频段误差及下游任务。 作者报告，在观测电极不超过五个、稀疏实际布局及单侧半球通道缺失的条件下，CC-DAN 在几乎所有被试上优于两种插值并接近 oracle；在 EGI 电极网及 8 至 16 通道设备上，该优势可延续至观测电极数为 15 个的情形。相对而言，密集 10-05 布局下，观测电极达到或超过 15 个时 SSI 更优。作者还报告 CC-DAN 对电极位置误差最稳健，但摘要未提供误差扰动范围和具体效应量。 重要边界是：作者报告 MSE 改善没有转化为下游 Accuracy 提升，幅度收缩还会损害基于功率的测量，而方差匹配损失与增益校准可缓解这一问题。因此，补全方法应按布局密度、缺失模式及最终分析目标选择，不能把信号重建收益等同于 BCI 性能收益。数据集名称、划分细节、下游任务、oracle 定义、消融及统计信息尚未验证；复现时需核对坐标表示、预训练与留出数据的隔离方式，以及校准过程所需的数据。