用于单试次 M/EEG 分析的自适应时频模型

基于摘要分析。该研究针对单试次 MEG/EEG 信号估计，提出对时频原子进行非线性拟合的方法，结合空间、时频及跨试次重复性信息描述信号。方法适用于瞬态活动（如 ERP）和振荡活动（如 gamma bursts），也涵盖诱发活动与诱导活动。 核心机制包含三个部分：通过多变量分解利用数据的空间结构，通过原子分解描述时频结构，并通过参数离散程度约束利用跨试次的可重复性。研究还提出一种迭代方法，用于估计非线性拟合所需的初始时频原子。摘要未给出原子的具体形式、参数离散约束的数学定义及优化流程，因此尚不能判断其对不同试次间真实变异的保留程度。 作者报告，在数值实验中，该方法对低信噪比条件具有鲁棒性，且引入参数离散约束可显著改善拟合质量。摘要未提供信噪比范围、拟合指标、对照设置或统计检验信息；实验协议、消融及统计信息尚未验证，不能据此推断其在真实被试、跨被试或在线 BCI 场景中的效果。 复现时需核对多变量分解与时频原子的定义、初始化步骤、约束强度设置及数值实验生成条件。该研究直接涉及神经信号的单试次建模，但摘要未报告 BCI 解码任务或性能结果，拟合质量改善不等同于解码性能提升。