基于EEG的fMRI预测仅差深度学习一步：利用可解释的深度学习揭示EEG-fMRI关联

对皮层下结构活动的可访问性为构建依赖意图的脑机接口提供了独特机遇，为情感神经科学领域中广泛认知现象（包括复杂决策过程以及永恒的自由意志悖论）的研究提供了丰富可能性，同时也为多种神经系统疾病的诊断提供了支持。迄今为止，这一目标仅能通过体积庞大、成本高昂且无法移动的fMRI设备实现。本文提出了一种基于可解释领域约束的解决方案，能够从多通道脑电图（EEG）数据中恢复多个皮层下区域的活动，并成功实现了实际皮层下血氧水平依赖信号（sBOLD）与基于EEG推断出的对应信号之间高达60%的相关性。随后，借助一种新颖且具有理论依据的权重解释方法，我们进一步识别出头皮EEG在个体空间分布及时间-频率维度上预测皮层下核团血流动力学信号的特异性模式。上述成果不仅为可穿戴式皮层下活动监测设备的实现铺平了道路，更展示了深度学习技术与可解释的领域约束架构相结合，通过恰当的下游任务，所驱动的自动化知识发现过程的强大潜力。