تتعرض تقنية القياس الكهربائي للدماغ (EEG) لتحديات كثيرة، مثل فقدان القنوات العشوائية، وعدم استقرار جودة الأقطاب، وتغير الأنماط الناتجة عن سوء الاتصال أو تفاوت الأجهزة. على الرغم من الجهود المبذولة، لا تزال معظم الطرق الحالية تعتمد على تعلم خريطة ثابتة من القنوات المنخفضة إلى العالية وفق تخطيطات إدخال وإخراج محددة مسبقًا، مما يجعلها هشة عندما تتغير القنوات المفقودة في وقت الاختبار.

في دراسة جديدة، تمت إعادة صياغة مشكلة تحسين دقة إشارات EEG (EEGSR) كعملية تعلم مجال فروة رأس مشروط من القنوات الداعمة المراقبة جزئيًا. من خلال استخدام مشفر موجه حسب المواقع، يتم تلخيص القنوات المرصودة وإحداثياتها في حالة كامنة. بعد ذلك، يقوم جهاز فك التشفير الممثل العصبي الضمني بإعادة بناء إشارات EEG المستهدفة من خلال استعلام هذه الحالة في الإحداثيات المطلوبة.

أثناء مرحلة الاستدلال، يقوم النموذج بإعادة بناء إشارات الأقطاب غير المرئية من بيانات EEG المتاحة والإحداثيات المست queried. لتعزيز قيود التمثيل الكامن المبين على جهاز فك التشفير، تم أيضًا تقديم استراتيجية تدريب تحول قنوات الحُفاظ تحت حالات أقطاب مختلطة.

أظهرت التجارب الشاملة على عدة مجموعات بيانات EEG فعالية هذه الإطار، سواء في إعادة بناء القنوات المفقودة عشوائيًا أو في توليد إشارات من أقطاب لم تتعرض من قبل أثناء التدريب. بشكل ملحوظ، أدت طريقة الدراسة في إعدادات الأقطاب الممنوعة إلى تقليل متوسط مربع الخطأ غير المقترن (NMSE) بنسبة 37.5% وتحسين نسبة الإشارة إلى الضوضاء (SNR) بمقدار 2.12 ديسيبل، مما يبرهن على قدرتها في توليد إشارات عند مواقع الأقطاب التي لم يتم التعرض لها سابقًا.