PINR-ESI：用于 EEG 扩展源成像的物理信息自监督隐式神经表示框架
PINR-ESI: Physics-Informed Self-Supervised Implicit Neural Representation Framework for EEG Extended-Source Imaging
精选理由
无需配对标签或仿真预训练，结合物理约束从 EEG 重建扩展脑源，提升复杂源定位的可行性。
AI 摘要
arXiv:2611.06700v1 公告类型：新论文 摘要：EEG 扩展源成像旨在定位活跃的皮层区域并表征其空间范围，但有监督逆解网络通常依赖合成的 EEG-源配对数据，并且可能对合成数据与真实数据之间的不匹配较为敏感。我们提出了一种物理信息自监督隐式神经表示（INR）框架，无需配对的源标签或基于仿真的有监督预训练，即可进行空间源重建。导联场矩阵编码了从源到传感器的容积传导模型，并通过预测 EEG 与实测 EEG 之间的一致性对 INR 施加约束。皮层电流密度被建模为以坐标为条件的连续场。经典逆解估计为源活动提供热启动初始化和空间约束，而基于面片积分的投影则将该场映射为离散源系数，以用于正向建模。在不同噪声水平、源数量和源范围下开展的仿真表明，该框架在识别活跃皮层区域方面的优势最为明显，尤其是在多源和较大范围源的情况下。利用癫痫患者的真实 EEG 记录和颅内刺激实验数据进行的定量与定性评估，进一步支持了该框架用于源成像的可行性。这些发现表明，物理信息自监督 INR 在扩展源成像中具有应用潜力。