EMAG：用于 EEG 空间超分辨率的可微四维高斯混合泼溅

基于摘要分析。EMAG 研究如何从低密度（LD）电极的稀疏子集重建高密度（HD）EEG，以降低高密度采集的硬件与准备成本。其核心贡献是将脑电源表示为各向异性的四维时空高斯混合，并通过可微前向模型在电极位置生成 EEG，实现无需显式源定位监督的端到端训练。 机制上，EMAG 在球形脑网格的每个点放置多个高斯分量，每个分量由完整的 4×4 精度矩阵参数化，以表达各向异性空间分布及空间与时间维度之间的显式耦合。前向模型根据电极位置计算可微高斯场贡献，将具有三维脑空间坐标的表示与头皮 EEG 重建连接起来。摘要未交代具体损失函数、网格分辨率、高斯数量、训练方式及前向模型的生物物理假设，这些信息尚未验证。 作者报告，在 Localize-MI、SEED 和 SEED-IV 三个公开 EEG 基准上，针对 2× 至 16× 超分辨率倍率，EMAG 在多数倍率下优于其所称的当前最先进 EEG 超分辨率方法。摘要未提供具体指标、分数、对照方法名称、电极子集选择规则，以及被试内、跨被试或跨会话划分，因此不能判断提升幅度或跨场景泛化能力；实验协议、消融及统计信息尚未验证。 学习到的高斯具有可直接可视化的三维脑空间坐标。作者将源定位等临床与神经科学应用表述为潜在方向，而非已验证结果。空间坐标可解释性不等同于真实电源定位准确性，需核对是否有独立定位证据。复现时还应确认电极坐标与头部几何的处理、稀疏通道配置、目标通道评估方式，以及低信噪比和不同采集布局下的鲁棒性；代码与复现资源情况尚未验证。