EEG 到 fMRI 合成受益于电极关系注意力图

基于摘要分析。该研究以 EEG 电生理活动回归预测 fMRI 所表征的血流动力学活动，探索电极间拓扑关系能否保留跨模态合成所需的信息。核心贡献是结合电极关系、Fourier features、注意力机制、跨模态共享空间及潜在表示中的 style 信息，提出多个 EEG 到 fMRI 合成模型。 技术机制方面，研究将描述实体连接的拓扑结构与神经网络处理方法结合，用于电生理到血流动力学的回归。摘要明确列出了上述组成，但未说明电极图如何构建、注意力如何作用于关系、共享空间如何学习，以及 style 的具体含义与注入方式；网络结构、损失函数和训练与推理流程尚未验证，不能据此将某个模块认定为性能提升的唯一来源。 结果方面，作者报告在静息态和任务态记录设置下，所提出模型显著优于该任务现有的最先进方法，但摘要未提供数据集、被试数量、数据划分、对照方法、指标或具体数值，因此无法判断被试内、跨被试或跨会话泛化能力。作者还报告了对回归最相关的 EEG 电极及影响最大的电极关系，并观察到相较于皮层下区域，头皮处的血流动力学活动与所学习的共享空间更相关；这一表述的空间定义与分析依据需结合全文核对，不能直接解释为因果机制。 该工作的主要研究对象是 EEG 到 fMRI 的跨模态合成，而非直接的 BCI 任务解码。其电极关系分析具有可核对的研究价值，但摘要中的性能结论不能外推为 BCI 有效性证据。复现前需核对 EEG 与 fMRI 的配对及时间对齐方式、预处理、预测目标、划分协议、基线实现，以及各组成模块的消融与统计信息；这些内容目前尚未验证。