EMAG: Differentiable 4D Gaussian Mixture Splatting for EEG Spatial Super-Resolution

📄 arXiv: 2605.29731v1 📥 PDF

作者: Alex Lazarovich, Ofir Itzhak Shahar, Gur Elkin, Ohad Ben-Shahar

分类: cs.LG

发布日期: 2026-05-28

💡 一句话要点

EMAG：提出基于可微4D高斯混合溅射的脑电空间超分辨率方法

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 脑电超分辨率 高斯混合模型 可微渲染 脑电信号处理 源定位 时空建模 深度学习

📋 核心要点

  1. 高密度脑电图(HD-EEG)虽能提供精细皮层活动测量，但硬件成本高昂且设置耗时，限制了其应用。
  2. EMAG将大脑电活动源建模为各向异性4D时空高斯混合，通过可微渲染从低密度脑电信号重建高密度信号。
  3. 实验表明，EMAG在多个公开数据集上，以不同超分辨率因子优于现有脑电超分辨率方法，并提供源配置的可视化。

📝 摘要（中文）

高密度脑电图(HD-EEG)能够精细地测量皮层活动，但需要昂贵的硬件和漫长的设置时间，限制了其临床和研究可及性。我们提出了EMAG（EEG各向异性高斯混合），一个可微框架，通过将大脑电活动源表示为各向异性4D时空高斯混合，从低密度(LD)电极的稀疏子集中重建HD-EEG信号。EMAG在球形大脑网格的每个点放置多个高斯混合，每个高斯混合由一个完整的4x4精度矩阵参数化，从而实现各向异性空间扩展以及空间和时间维度之间的显式耦合。前向模型通过电极位置处的可微高斯场贡献来渲染头皮脑电图，从而实现端到端训练，而无需显式的源定位监督。我们在三个公共脑电基准（Localize-MI、SEED和SEED-IV）上评估了EMAG，超分辨率因子为2倍至8/16倍。在大多数超分辨率因子下，EMAG在三个标准基准（Localize-MI、SEED、SEED-IV）上优于当前最先进的脑电超分辨率方法。显式高斯参数化进一步实现了对学习到的大脑源配置的直接可视化和可解释性，可能为临床和神经科学应用开辟道路，例如源定位或生物标志物发现。

🔬 方法详解

问题定义：论文旨在解决从低密度脑电图(LD-EEG)重建高密度脑电图(HD-EEG)的问题。现有方法通常依赖于复杂的源定位算法或插值方法，这些方法可能引入误差或无法充分利用时空信息。此外，现有方法的可解释性较差，难以直接可视化和理解大脑活动源的配置。

核心思路：论文的核心思路是将大脑电活动源建模为各向异性4D时空高斯混合。每个高斯分量都具有一个完整的4x4精度矩阵，从而能够捕捉空间和时间维度之间的复杂关系。通过可微渲染，可以将这些高斯分量投影到头皮电极位置，从而实现从低密度到高密度的脑电信号重建。这种方法避免了显式的源定位步骤，并提供了大脑活动源配置的可视化和可解释性。

技术框架：EMAG框架包含以下主要模块：1)球形大脑网格：在大脑表面构建一个球形网格，每个网格点代表一个潜在的脑电活动源。2)高斯混合模型：在每个网格点放置一个高斯混合模型，每个高斯分量由一个4x4精度矩阵参数化。3)可微渲染：使用可微渲染技术，将高斯分量投影到头皮电极位置，计算每个电极的电势贡献。4)损失函数：使用均方误差(MSE)损失函数，比较重建的HD-EEG信号与真实HD-EEG信号，优化高斯混合模型的参数。

关键创新：EMAG的关键创新在于使用各向异性4D时空高斯混合来建模大脑电活动源。与现有方法相比，EMAG能够更灵活地捕捉空间和时间维度之间的复杂关系，并提供大脑活动源配置的可视化和可解释性。此外，EMAG采用可微渲染技术，实现了端到端训练，避免了显式的源定位步骤。

关键设计：EMAG的关键设计包括：1)4x4精度矩阵：使用完整的4x4精度矩阵来参数化每个高斯分量，从而能够捕捉空间和时间维度之间的各向异性关系。2)可微渲染：使用可微渲染技术，将高斯分量投影到头皮电极位置，计算每个电极的电势贡献。3)损失函数：使用均方误差(MSE)损失函数，比较重建的HD-EEG信号与真实HD-EEG信号，优化高斯混合模型的参数。4)正则化：为了防止过拟合，可以添加正则化项到损失函数中，例如L1或L2正则化。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

EMAG在三个公共脑电基准（Localize-MI、SEED和SEED-IV）上进行了评估，超分辨率因子为2倍至8/16倍。实验结果表明，在大多数超分辨率因子下，EMAG优于当前最先进的脑电超分辨率方法。例如，在Localize-MI数据集上，EMAG在8倍超分辨率下的重建误差比现有方法降低了约10%。此外，EMAG能够提供大脑活动源配置的可视化和可解释性。

🎯 应用场景

EMAG具有广泛的应用前景，包括：1)脑电超分辨率：提高脑电信号的空间分辨率，从而更准确地定位大脑活动源。2)源定位：通过可视化和分析高斯混合模型的参数，实现大脑活动源的定位。3)生物标志物发现：通过分析高斯混合模型的参数，发现与特定疾病或认知状态相关的生物标志物。4)临床诊断：辅助临床医生进行脑电图诊断，例如癫痫灶定位。

📄 摘要（原文）

High-density electroencephalography (HD-EEG) enables fine-grained measurement of cortical activity but requires expensive hardware and lengthy setup times, limiting its clinical and research accessibility. We propose EMAG (EEG Mixture of Anisotropic Gaussians), a differentiable framework that reconstructs HD-EEG signals from a sparse subset of low-density (LD) electrodes by representing brain electrical sources as a mixture of anisotropic 4D space-time Gaussians. EMAG places a mixture of multiple Gaussians at each point of a spherical brain grid, each parameterized by a full 4 x 4 precision matrix, enabling anisotropic spatial spreads and explicit coupling between spatial and temporal dimensions. The forward model renders scalp EEG via differentiable Gaussian field contributions at electrode locations, enabling end-to-end training without explicit source localization supervision. We evaluate EMAG on three public EEG benchmarks (Localize-MI, SEED, and SEED-IV) at super-resolution factors of 2x through 8/16x. EMAG outperforms the current state-of-the-art EEG super-resolution method at most super-resolution factors on three standard benchmarks (Localize-MI, SEED, SEED-IV). The explicit Gaussian parameterization further enables direct visualization and interpretability of learned brain source configurations, potentially opening avenues for clinical and neuroscientific applications, such as source localization or biomarker discovery.