水平可见图作为神经生理信号同步性稳健度量的应用

基于摘要分析。本文研究脑等动态混沌系统中信号间同步性的度量，提出使用水平可见图（Horizontal Visibility Graph，HVG）将信号映射为图，以刻画信号属性并分析同步性。主要贡献是提出一种图表示驱动的同步性分析方法，并将其用于多发性硬化（Multiple Sclerosis，MS）相关 EEG 脑网络分析，而非直接研究 BCI 任务解码。 技术机制：HVG 将时间序列转换为图网络，作者将其描述为直接且快速的同步性度量方法。摘要没有说明具体采用哪些图属性、如何比较两个信号的图表示，以及最终同步性指标的计算方式；因此，不能仅凭摘要判断其是否捕捉相位、幅值或其他层面的同步关系。 结果与证据：作者报告，该方法在有噪声及无噪声的动态混沌系统中能够稳健、可靠地识别信号同步性；在 MS 相关 EEG 脑网络应用中，结果与既往神经生理学研究一致。摘要未提供定量指标、噪声条件、对照方法、被试数量或数据划分，实验协议、消融及统计信息尚未验证。结果一致性也不能直接等同于临床诊断有效性或 BCI 性能提升。 平台推测（待验证）：假设 HVG 同步性特征能保留任务相关的跨通道关系，它可能作为 EEG 连接特征补充现有 BCI 解码流程。可复用部分是时间序列到图的表示及同步性计算，需针对任务调整分窗、通道组合和特征聚合；低信噪比、共同伪迹、通道变化及小样本下的高维连接特征可能削弱效果。可在固定数据划分的 EEG 任务上，用相同预处理与分类器比较 HVG 特征和常用同步性特征，并检验噪声扰动下的表现。该假设不属于作者已验证结论，相关 BCI 应用工作尚未检索确认。