使用 LAPPS 进行稀疏 EEG 源定位：最小绝对值 l-P（0<p<1）惩罚解

基于摘要分析。研究针对 EEG 逆问题的病态性，以及诱发 EEG 中背景活动、头动和眼动所致离群值对源定位的干扰，提出鲁棒稀疏源成像算法 LAPPS（Least Absolute l-P Penalized Solution）。其主要贡献是将抗离群值的残差损失与促进源稀疏性的非凸惩罚结合，用于恢复稀疏脑活动源。 机制上，LAPPS 对残差使用 l1 损失，以减轻强离群值的影响；对源活动使用 lp 惩罚，摘要给出的设置为 p=0.5，旨在获得稀疏解并抑制 EEG 中的高斯噪声。优化采用修改后的交替方向乘子法。该方法依赖高阶认知加工中源激活具有稀疏性的假设，需核对这一假设在扩展性或多源重叠活动中的适用范围，以及非凸优化的初始化、收敛与参数敏感性。 作者报告，在真实感头模型上的仿真中，随机选取源并比较不同偶极子配置和信噪比条件，LAPPS 在所开展的仿真中表现最佳；对照包括加权最小范数估计、l1-norm 方法、标准化低分辨率电磁断层成像及 focal underdetermined system solver。摘要未提供具体指标、数值、重复次数及参数匹配方式，因此不能量化优势或据此推广至其他协议。 作者报告，在真实 visual oddball 实验中，LAPPS 定位得到的稀疏激活与既往 EEG 和 fMRI 发现一致。这属于源定位结果的一致性证据，不等同于 BCI 解码性能提升。作者还将较低计算复杂度归因于廉价的矩阵—向量乘法，但摘要未给出运行时间或复杂度对照。 复现需核对头模型与导联场构建、噪声和离群值设置、正则化参数、优化停止条件及定位评价指标；真实实验的被试数量、采集配置、预处理和验证流程尚未验证。实验协议、消融及统计信息尚未验证，代码可用性亦无法从所给材料确认。