Diffusion Inverse Filtering：通过抵消空间平滑增强基于功能连接的模式识别

基于摘要分析。本研究针对 EEG 功能连接表征中的空间平滑可能引入伪连接、扭曲连接模式的问题，提出 Diffusion Inverse Filtering（DIF），在功能连接层面进行正则化逆变换，以增强情感识别所需的判别表征。 核心机制是把功能连接中的空间平滑近似为扩散过程，再通过正则化逆操作变换观测到的功能网络。作者将这种平滑与体积传导的潜在影响联系起来，但摘要中的分类结果不能单独证明 DIF 恢复了真实生理连接或消除了体积传导。DIF 作用于连接估计之后，不依赖 graph signal processing（GSP）框架。 评估以 EEG 情感识别为任务，在电极稀疏化条件下比较 DIF 与原始观测功能网络。作者报告，DIF 总体上改善分类表现，其中采用 Pearson correlation coefficient（PCC）估计功能连接时，改善最为一致。摘要还说明，对照涵盖功能连接估计前的信号级处理，以及估计后的功能连接级变换，包括基于 GSP 的滤波；但未提供这些方法之间的具体差值或统计结果。 其可核对的研究价值在于探索连接估计后的变换，能否作为信号级处理的补充或替代。作者认为 DIF 与现代基于功能连接的 BCI 流程具有较强兼容性，但当前材料不足以确认这一判断的适用范围。数据集、被试数量、情感标签、分类器、被试内或跨被试划分、电极稀疏化方案、正则化参数及具体指标均尚未验证；实验协议、消融及统计信息需结合全文核对。