使用状态空间模型同时求解大规模 MEG/EEG 源定位与功能连接问题

基于摘要分析。该研究针对大规模 MEG/EEG 分析中隐状态估计的计算成本，以及稀疏逆协方差估计中稀疏性与估计偏差的权衡，提出 multiple penalised state-space（MPSS，多重惩罚状态空间）模型，旨在同时求解脑源定位与功能连接问题。 核心方法包括三个部分：以数据驱动正则化构建 MPSS 模型；开发基于反向传播、梯度下降和交替最小二乘的求解算法；扩展 K-fold 交叉验证以评估正则化参数。摘要将传统 Kalman filtering 和 expectation maximisation 的大规模计算成本作为方法动机，并强调低信噪比条件下需要谨慎评估稀疏约束引入的偏差。具体状态方程、惩罚项形式、参数优化流程及交叉验证的数据划分方式尚未验证。 作者报告，在不同 SNR 条件下进行了从较简单到更复杂的模拟验证，其中包含大规模合成 MEG/EEG 数据分析；还将 MPSS 应用于真实事件相关 MEG/EEG 数据，在涉及皮层表面数千个源的条件下联合估计源位置与功能连接。作者认为，该方法有助于突破既有方法局限于小规模或感兴趣区域分析的约束。摘要未提供源定位误差、连接恢复指标、运行时间或具体对照结果，因此尚不能量化其精度和效率优势，也不能据此认定其改善了 BCI 任务表现。 复现时需核对观测模型与源空间构建、正则化选择协议、不同 SNR 下的偏差与稳定性，以及计算资源需求；实验协议、消融及统计信息尚未验证。摘要声明主要实现代码及生成模拟和图表的代码将通过第一作者的 GitHub 仓库提供，并与论文在线版本及补充材料关联，但当前可获取性与完整性尚未验证。