基于数据合成的去噪自编码器用于电磁源成像

基于摘要分析。本文研究电磁源成像（ESI）的高度不适定逆问题，提出基于合成数据的时空卷积编码器—解码器方法 DST-CedNet，学习从 EEG/MEG 测量信号到脑源活动的映射。其核心贡献是将脑活动动力学先验转化为训练样本生成机制，而非仅以逆问题求解约束的形式施加先验。 机制上，DST-CedNet 将 ESI 重构为机器学习问题，在卷积编码器—解码器 CedNet 中结合判别学习与潜在空间表示，并通过数据合成策略生成大规模训练样本。作者认为，传统 ESI 的先验约束可能无法准确反映实际源特性；所提方法尝试通过合成数据表达这些特性。该方法仍依赖先验知识，不能据此理解为无先验源成像。具体动力学模型、噪声生成方式、网络结构、损失函数及训练与推理流程尚未验证。 作者报告，在数值实验以及真实 MEG 数据和癫痫 EEG 数据分析中，DST-CedNet 在多种源配置下的源信号稳健估计方面优于若干先进 ESI 方法。摘要未提供数据集名称、被试数、划分协议、对照方法名称或定量指标，因此不能判断优势幅度，也不能确认跨被试、跨会话或跨数据集泛化。实验协议、消融及统计信息尚未验证。 复现时需核对合成样本的源配置与动力学分布、前向模型、噪声条件及其与真实数据的匹配程度，并确认真实数据源估计的评价依据。本文的直接研究对象是 EEG/MEG 脑源成像，而非 BCI 任务解码；摘要所述结果不能直接视为 BCI 性能提升的证据。代码、数据可得性及完整复现条件尚未验证。