通过事件同步不变模式从 EEG 学习被试间稳定的皮层动态

该研究针对精细上肢动作 EEG 解码中源成像与分类分离的问题，提出 Event Synchronized Invariant Cortical Modes（ESICM），将源结构约束、动作判别性和跨被试稳定性纳入统一表征学习。基于摘要分析，未取得论文全文，尚不能确认其解码性能或部署效率。 核心机制是直接从训练数据学习少量皮层模式，而非先重建稠密源图再压缩用于预测。摘要描述了带 leadfield 约束的广义特征值问题，并引入被试变异与皮层平滑惩罚，使所学模式同时关联前向模型、对齐运动时序、区分动作并保持被试间稳定。具体事件同步方式、目标函数及各项约束的实现尚未验证。 解码流程将多频带 EEG 投影到这些模式，再由轻量时序网络完成动作解码，不采用并行传感器分支或事后传感器—源融合。其方法特色在于直接学习面向解码的紧凑皮层表征，而非将解剖重建完整性作为唯一目标；经典逆解方法在研究中被保留为解剖参考，但摘要不足以确认性能对照的具体设置。 作者报告采用嵌套留一被试评估，所有监督操作均限于训练被试。摘要未提供数据集、被试数、动作类别、频带设置、指标或数值结果，因此不能量化 Cross-subject 泛化收益，也不能将所述上肢动作解码直接视为运动想象任务。 复现时需核对 leadfield 的构建与个体差异处理、事件时序信息在训练和推理中的可用性、模式数量及惩罚系数的选择，以及嵌套评估中各步骤的拟合范围。作者将该框架定位为面向嵌入式 BCI 的紧凑皮层动态表征，但运行延迟、资源占用及实际部署表现尚未验证；完整实验协议、消融及统计信息亦尚未验证。