Journal of Neural Engineering（Crossref）·2026-10-23 06:50· 2 天前AI 评分40

Transformer 网络在 EEG 源定位中表现出稳健学习能力

Transformer networks are robust learners of source localization for EEG measurements

AI 导读

一项发表于 Journal of Neural Engineering 的研究提出基于 Transformer 的 EEG 源定位模型，可同时处理单源与多源场景。

AI 要点

团队

原文未提及作者与机构

主要结果

在所有测试条件下，Transformer 均优于经典方法和深度学习基线；高噪声多源场景平均定位误差最多降低 12 mm；源数未知时能预测源数与位置，25% 噪声下 F1 为 68%，阈值法为 12%

解决什么问题

EEG 源定位是病态逆问题，受噪声、电极脱落和活跃源数变化影响；经典方法 eLORETA、LCMV 波束成形的正则化假设在真实噪声下退化，且难扩展到多源

方法

用已知源位置生成数十万条模拟 EEG，覆盖不同噪声、源数与电极脱落配置；按源区密度、信噪比、电极可用性系统评估，并与 eLORETA、LCMV 及深度学习基线对比，另做架构与训练流程消融

局限

从研究设计看，训练与评估均基于模拟 EEG 数据，未报告真实受试者数据验证

AI 依据原文整理，未经人工核对。