EMAG：面向 EEG 空间超分辨的可微分 4D 高斯混合溅射
机器学习
2026-05-29 v1
摘要
高密度脑电图 (HD-EEG) 使我们能够对皮层活动进行细粒度测量，但需要昂贵的硬件且布置时间较长，限制了其在临床和研究中的可及性。我们提出了 EMAG (EEG Mixture of Anisotropic Gaussians)，一个可微分框架，用于从稀疏的低密度 (LD) 电极集合中重建 HD-EEG 信号，通过将大脑电活动源表示为各向异性 4D 空间-时间高斯分布的混合物。EMAG 在球形大脑网格的每个点上放置多个高斯分布，其参数化为 4×4 精度矩阵，使其能够实现各向异性的空间扩散，并显式耦合空间与时间维度。前向模型通过电极位置处的可微分高斯场贡献在尺度上渲染 EEG，从而实现无需显式源定位监督的端到端训练。我们在三个公开的 EEG 数据集上对 EMAG 进行评估（Localize-MI、SEED 和 SEED-IV），超分辨率因子从 2x 到 8/16x。EMAG 在三个标准基准测试（Localize-MI、SEED、SEED-IV）上的大多数超分辨率因子上均优于当前最先进的 EEG 超分辨率方法。显式的高斯参数化进一步使我们能够直接可视化和解释所学习的大脑源配置， potentially 为临床和神经科学应用开辟了可能的途径，例如源定位或生物标志物发现。
引用
@article{arxiv.2605.29731,
title = {EMAG: Differentiable 4D Gaussian Mixture Splatting for EEG Spatial Super-Resolution},
author = {Alex Lazarovich and Ofir Itzhak Shahar and Gur Elkin and Ohad Ben-Shahar},
journal= {arXiv preprint arXiv:2605.29731},
year = {2026}
}