通过物理信息引导的三维神经网络改进脑源重建

基于摘要分析。本文针对 EEG 源定位逆问题的不适定性，提出混合方法 3D-PIUNet，将基于物理模型的初始重建与数据驱动的三维空间先验结合，用于改善脑源空间定位。 核心机制分为两步：首先通过正向模型的伪逆，将传感器测量映射到源空间，得到包含物理信息的初始估计；随后将脑源表示为三维体积，使用三维卷积 U-Net 捕获空间依赖，并依据学习到的数据先验细化重建。其与摘要所述端到端方法的区别，在于物理模型不仅用于生成训练数据，还直接参与重建流程。摘要未说明额外的物理约束损失，不能将其等同于采用物理方程残差训练的网络。 训练使用覆盖不同源分布的拟真实脑源仿真数据。作者报告，在所评估的仿真条件下，3D-PIUNet 的空间准确性优于传统方法和端到端数据驱动方法；摘要未提供具体指标、增益幅度或基线名称。作者还报告，在真实视觉任务 EEG 数据上，该方法定位到视觉皮层，并重建出符合预期的时间变化，但这不等同于已验证一般场景下的源定位准确性或 BCI 解码收益。 复现与适用性评估需核对仿真源分布、正向模型与头模型、三维源空间构建、训练目标、数据划分及真实数据验证依据。实验协议、消融及统计信息尚未验证；被试数、通道配置、噪声条件及代码可用性亦无法由摘要确认。尤其需要检验学习到的源分布先验在仿真与真实数据不匹配时是否仍能可靠细化重建。