数据驱动的脑电-功能磁共振融合:从多模态整合到潜在神经推断
Data‐Driven EEG‐fMRI Fusion: From Multimodal Integration to Latent Neural Inference
脑电与功能磁共振分别捕捉互补的时间与空间尺度,但两者测量机制、时间分辨率和神经血管耦合不同,联合分析困难。作者把融合视为反问题,按融合策略、方法目标和建模假设对2000至2025年的数据驱动方法分类,并讨论评估指标与可视化方式。综述指出目前没有通用的验证标准,潜在多模态成分也难以解释,时间错位、噪声导致的耦合和依赖模型的解释仍是持续存在的挑战。
系统梳理2000至2025年脑电与功能磁共振的数据驱动融合方法,按对称与非对称、分解与转换、线性与非线性分类比较。
同步脑电图(EEG)与功能磁共振成像(fMRI)能够在互补的时间与空间尺度上捕捉神经动力学,但联合分析二者颇为困难:两种模态在测量机制、时间分辨率和神经血管耦合方面存在差异。EEG-fMRI 融合可被构建为一个逆问题,其目标是恢复仅通过电生理与血流动力学信号被部分观测到的潜在神经过程。本文综述了 2000 年至 2025 年间发表的数据驱动融合方法,重点关注识别跨模态共享神经表征的技术。我们按融合策略(对称与非对称)、方法学目标(分解与转换)以及建模假设(线性与非线性)对方法进行组织,并讨论当前使用的评估指标与可视化策略。一个反复出现的发现是缺乏通用的验证标准,以及难以解释潜在多模态成分。在神经科、精神科与认知应用中,EEG-fMRI 融合揭示了单模态分析无法获取的分布式网络动力学,尽管时间错位、噪声诱导耦合以及依赖模型的解释仍是持续存在的挑战。最后,我们讨论了包括非线性建模、灵活耦合框架和大规模组水平融合在内的方向,并将该领域置于更广阔的视角下,即把 EEG-fMRI 融合视为一个潜在神经推断问题。
中文由 AI 翻译,仅供参考,以原文为准。
来源:Human Brain Mapping · onlinelibrary.wiley.com