FAIR-ESI：面向电生理源成像的特征自适应重要性细化
计算机视觉与模式识别
2026-01-23 v1 人工智能
摘要
电生理源成像（ESI）是诊断脑部疾病的一项关键技术。尽管基于模型的优化和深度学习方法在该领域已取得可喜成果，但特征的精确选择与细化仍是实现精准 ESI 的核心挑战。本文提出 FAIR-ESI，一种在不同视图间自适应细化特征重要性的新型框架，包括基于 FFT 的频谱特征细化、加权时间特征细化以及基于自注意力的分块特征细化。在两个具有多样化配置的仿真数据集和两个真实临床数据集上的大量实验验证了我们框架的有效性，凸显了其在推进脑部疾病诊断和提供脑功能新见解方面的潜力。
引用
@article{arxiv.2601.15731,
title = {FAIR-ESI: Feature Adaptive Importance Refinement for Electrophysiological Source Imaging},
author = {Linyong Zou and Liang Zhang and Xiongfei Wang and Jia-Hong Gao and Yi Sun and Shurong Sheng and Kuntao Xiao and Wanli Yang and Pengfei Teng and Guoming Luan and Zhao Lv and Zikang Xu},
journal= {arXiv preprint arXiv:2601.15731},
year = {2026}
}