基于 Alternative State Space Model 与注意力的光学多普勒断层成像稀疏重建

基于摘要分析。本文研究光学相干多普勒断层成像（ODT）的稀疏重建，提出 Alternative State Space Attention Network（ASSAN），目标是减少重建血流图像所需的原始 A-scans，从而缓解密集采样带来的扫描时间与存储负担。主要研究对象是血流成像，而非 EEG 解码或 BCI。 ODT 的 A-scan 是一维深度分辨信号，沿 B-line 采集的 A-scans 经多普勒相位相减形成二维 B-scan。ASSAN 利用两个方向的信息分布差异：对每条 A-line 使用一维 State Space Model（SSM）学习 A-scan 内部表征，沿 B-line 使用一维门控自注意力捕获 A-scans 之间的关系；另以沿不同轴依次执行的一维卷积构成前馈网络，增强局部特征。其可核对的方法特点是按轴分配建模机制，而非对全部二维信息采用同一种算子。 作者报告，在真实动物数据的验证实验中，ASSAN 相较于其称为最先进的重建方法表现出重建有效性。摘要未给出动物数量、采样稀疏率、训练与测试划分、对照方法名称或数值指标，因此不能量化性能增益，也不能判断不同采样条件下的稳定性。实验协议、消融及统计信息尚未验证。摘要提供了源代码链接，但代码内容、数据可用性及运行条件尚未核验。 平台推测（待验证）：可迁移的假设是“依据轴向结构差异组合 SSM 与注意力”，而不是 ODT 的血流成像结论。若用于 EEG 稀疏信号重建，可尝试时间轴 SSM 与通道关系注意力，但需改造通道位置编码、缺失掩码及重建目标；EEG 通道轴并不等同于规则扫描轴，低信噪比、跨被试差异和小数据可能使该设计失效。一个可检验的小实验是在固定 EEG 数据划分与缺失通道协议下，对照纯 SSM、纯注意力及组合结构，核对重建误差与下游任务表现。已有 EEG 相关工作尚未检索确认。