解耦时间与空间能否改善EEG源成像？

逐帧模型与完整4D模型之间的两难

EEG以毫秒级时间分辨率测量神经活动，但从头皮传感器反推潜在源是一个严重不适定的空间逆问题：传感器数量远少于候选源数量，因此前向模型高度欠定。最小范数估计和eLORETA等经典分布式方法加入人工设计的正则化，计算高效，却施加了刚性假设，限制了它们刻画稀疏或分布式活动模式的能力。

深度学习提供了数据驱动的替代方案，但论文认为当前架构面临两难。逐帧模型独立处理每个时间点，丢弃了时间上下文，而生物神经信号本身高度自相关。完整4D时空网络在源空间中建模时间，但该体积的规模迫使做出妥协，要么限制源空间的空间分辨率，要么限制时间上下文的跨度。论文的表述是，这是重建精度与推理成本之间的架构权衡，而不只是调参问题。

两条支流分离时间上下文与空间精修

所提出的框架SoST+TC明确将全局时间表示学习与逐时间点空间精修解耦。基于Transformer的时间条件编码器通过因子化时空注意力处理整段EEG序列，同时保留传感器分辨的特征。随后一个固定逆算子将这些特征映射为源索引的条件信号，供逐时刻精修器使用，后者可以是源空间Transformer或体积卷积网络。

条件信号在拼接前通过逆算子投影到源空间，作者称这保留了具有解剖索引的条件信号。时间编码器被训练为严格在模拟数据上求解生物物理逆问题，从而提炼出全局时间上下文的紧凑表示。作者报告，时间条件化也改善了卷积3D-PIUNet主干，而SoST transformer同时支持体积源和表面源。

时间条件化在各噪声水平下降低误差

在逼真的合成数据上，加入时间条件化后，空间定位优于经典和时空基线，在高噪声和多源条件下尤其明显。在表面源空间中，单独的SoST的NMAE为0.824，SoST+TC为0.645，加入算子混合的SoST+TC为0.577。作为对比，Deep CB为0.889，DeepSIF为0.860，eLORETA为1.941。体积源空间中出现相同排序，SoST+TC为0.577，而SoST为0.798，eLORETA为1.709。

稳健性扫描报告了三种不同的误差指标，不应混为一谈。NMAE是归一化幅度误差；空间NEMD和时间NEMD分别是空间结构和时间结构的归一化推土机距离。信噪比扫描的源数量在1到10之间均匀抽取，而源数量扫描将信噪比固定为5 dB。每个点先在每个随机种子内对15个等权重的留出头模型（十个LEMON、五个IBP2021）取平均，再报告三个训练种子的均值加减样本标准差。论文指出，SoST+TC在所评估的噪声和源数量设置下都保持较低误差。

模型依赖时间步条件信号

为考察训练后的模型如何使用条件信号，作者对一个留出的IBP2021头模型进行输入干预，每个难度级别有64对配对模拟。将条件置零比将初始源估计分支置零带来的误差增加更大。打乱时间的条件信号主要增加时间NEMD，而空间NEMD变化很小，作者将其解释为空间结构确实被重建，但出现在错误的时间点上。

这里有两个测量上的注意事项。空间NEMD对预测时间索引的置换不变，而时间NEMD衡量的是随时间的总激活量，而非源特异的时间。干预使用简单、中等、困难三种设置，分别对应15、5、负5 dB信噪比和1、1到5、5到10个活动源。作者得出结论，SoST+TC在源重建中强烈依赖时间步条件向量。

算子混合缩小模板逆算子的代价

头模型实验区分了泛化的两个方面：训练池中头几何的覆盖范围，以及数据生成leadfield与用于构造逆算子的leadfield之间的一致性。只在单一几何池上训练会导致在其他未见头模型上表现更差，而在LEMON和IBP2021几何上联合训练降低了跨数据集迁移损失。合并模型的误差仍高于池内专用模型，但远低于将专用模型用于另一数据集头模型时的误差。

仅扩大几何覆盖并不能消除对逆算子的敏感性。在匹配算子训练下，数据生成leadfield与逆算子leadfield相等；用fsaverage模板逆算子替换受试者特异逆算子会引入该设置未体现的失配，从而增加误差。算子混合协议在训练中显式包含失配的leadfield。它降低了模板逆算子的NMAE，同时也改善了受试者特异逆算子，因此实际后果是模板逆算子的代价大幅缩小。作者将此表述为在所测试设置内减少对受试者特异逆算子的依赖，并未确立对任意导联布局或leadfield的无限制泛化。

合成数据训练的特征解码真实EEG年龄

作者将仅在合成EEG上训练的模型应用于真实记录，检验源空间睁眼减闭眼反应性是否支持LEMON中的年龄组解码（20至35岁对55至80岁）。配对记录和所需元数据得到115名训练参与者。测试时他们选取十名参与者，六名较年轻、四名较年长，其几何被排除在合成源模型训练之外。特征是未调整的睁眼减闭眼差异，最终分类器在全部115名参与者上拟合。

解码的频率分布取决于表示方式。头皮EEG特征在beta频段表现最好，而eLORETA特征在theta频段表现最好。SoST+TC在theta、alpha和总4至35 Hz功率上达到100%平衡准确率，在beta上为75%。相对于SoST，加入时间条件化组件在该测试集上改善了theta、alpha和总功率的表现，但未改善beta，在beta上SoST和头皮EEG表现更好。作者将此描述为下游有用性的证据，而非分类优越性的普遍主张，并指出十人测试集对估计泛化性能提供的精度有限。

证据止步于何处

模拟与生物现实之间的差距仍是主要限制。模拟器使用简化高斯斑块、带限时间过程和加性噪声。作者指出，增加模拟复杂度本身并不能确立生物有效性，当潜在活动与所学先验不同时，时间上连贯的重建仍可能有偏。他们呼吁评估应区分噪声抑制与对短暂或快速变化源的衰减，并评估跨记录的可重复性，而不是把时间平滑当作准确性的证据。

年龄解码图是描述性的，作者指出这些图以及受试者平均功率解码都不能直接验证解剖定位或时间稳定性。该框架的主要目标不是取代任务特异的传感器空间分类器，而是支持对随时间变化的空间分辨活动进行分析。时间条件化旨在减少虚假的重建波动，同时保留源的出现、调制和消失。

频率与算子分野中最值得关注之处

这篇论文中最具决策相关性的结果不是统一的精度提升，而是一种分野。加入时间条件化改善了十名留出LEMON参与者的theta、alpha和总4至35 Hz功率解码，却未改善beta，在beta上SoST和头皮EEG表现更好。因此，比较不同表示方式的读者应先问下游任务依赖哪个频段，再假定时间条件化源模型是更好的特征提取器。

第二个分野涉及逆算子。训练中的算子混合使模板重建在所评估的留出头模型上更接近受试者特异逆算子，这在无法获得受试者特异leadfield时很重要。两项发现都受同一证据基础约束：带有简化源和噪声假设的合成训练数据，以及一个小的真实数据测试集。论文自身的优先事项是将时间上下文与物理信息空间估计结合，以在相关时间窗内研究空间分辨的源动态，而非主张无限制泛化。

本文引用的文献