用于 EEG 源定位的稀疏贝叶斯学习

基于摘要分析。本文研究由 EEG 数据定位脑内电活动源的问题，提出结合电流偶极子分组与各向同性约束的 Sparse Bayesian Learning（SBL）方法，以改善脑活动稀疏模式的估计和多源定位。 核心机制是在源空间中对电流偶极子进行分组，并在 SBL 求解定位问题时施加各向同性约束。摘要未给出分组规则、约束的数学定义、先验与推断更新公式，因此尚无法确认这些设计如何具体作用于源强度、方向或组级稀疏性，也不能将“各向同性”直接理解为固定源方向。 数值实验采用由头部 MRI 图像分割得到的真实感头模型，包含头皮、颅骨、脑脊液（CSF）和脑四类组织，并设置相应的相对电导率。作者报告，在无噪声环境下，所提方法可定位最多 6 个同时活跃的源，定位准确率超过 75%；未施加各向同性约束的 SBL 在定位 3 个同时活跃源时，准确率低于 75%。这两组数字对应不同的活跃源数量，不能据此计算同一条件下的准确率提升；摘要也未说明准确率定义、定位容差及重复实验设置。 作者认为，该方法相较现有先进算法可能更一致地刻画脑活动的稀疏模式并改善 EEG 源定位，但摘要仅提供了上述 SBL 对照的定量信息，其他基线及比较协议尚未验证。复现需核对头模型与电导率设置、传感器布局、源位置及方向生成方式、分组策略、约束实现和评价标准。含噪条件、真实 EEG 验证、消融及统计信息尚未验证；无噪声仿真结果也不等于 BCI 任务性能改善。