arXiv q-bio.NC（Neurons and Cognition）·· 3 小时前AI 评分52
之江实验室？Yakang Dai 团队提出 PINR-ESI 自监督 EEG 扩展源成像框架
PINR-ESI: Physics-Informed Self-Supervised Implicit Neural Representation Framework for EEG Extended-Source Imaging
AI 导读
Yakang Dai 团队提出 PINR-ESI，一个物理信息驱动的自监督隐式神经表示框架，用于 EEG 扩展源成像，无需配对源标签或基于仿真的监督预训练。该方法用导联场矩阵约束隐式神经表示，使预测 EEG 与实测 EEG 一致，并把皮层电流密度建模为连续坐标条件场，以经典逆估计做热启动和空间约束。
AI 要点
团队
第一作者 Zhiyong Zhou，末位作者 Yakang Dai，共 5 位作者。
主要结果
在不同噪声水平、源数量和源范围的仿真中，该方法在识别活跃皮层区域上优势最明显，尤其是多源和大范围源。
解决什么问题
EEG 扩展源成像需定位活跃皮层区域并刻画其空间范围，而监督式逆网络依赖合成 EEG-源配对，可能对合成到真实的失配敏感。
方法
物理信息自监督隐式神经表示（INR）框架，无需配对源标签或仿真监督预训练；导联场矩阵约束 INR，皮层电流密度建模为连续坐标条件场，经典逆估计提供热初始化与空间约束，patch 积分投影映射为离散源系数。
局限
从研究设计看，真实数据仅来自癫痫患者 EEG 与颅内刺激实验的可行性验证，未设对照。
AI 依据原文整理，未经人工核对。
来源：arXiv q-bio.NC（Neurons and Cognition） · arxiv.org