一种用于从神经影像数据重建动力系统的可扩展生成模型

基于摘要分析。本文研究如何从经过时间滤波的神经影像观测中恢复底层生成动力学，提出一种用于训练状态空间模型（SSMs）的新算法，以处理当前观测依赖历史状态、解码器不可逆时既有 teacher forcing（TF）训练方法难以直接适用的问题。主要研究对象是动力系统重建，而非 BCI 任务分类或解码。 机制背景：面向动力系统重建的部分 SSM 训练技术利用控制理论思想及现代 TF 变体，稳定训练中的损失梯度传播，目标不仅是短期预测，还包括恢复吸引子几何与长期统计性质。但 fMRI 的血氧水平依赖（BOLD）信号及 Ca²⁺ 成像信号具有历史依赖的滤波特性，破坏了既有方法所要求的解码器可逆性。作者提出利用控制技术解决这一训练障碍；摘要未给出具体状态更新、观测模型、损失函数或控制规则。 作者报告，新算法在模型维度及滤波长度增加时具有良好扩展性，并能从短 BOLD 时间序列中重建动力系统的状态空间几何及长期时间性质。摘要未提供序列长度、数据来源、被试信息、划分方式、对照方法或量化指标，因此上述结果的实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在可复用部分是针对历史依赖观测的 SSM 训练机制，而非可直接用于 EEG 的现成解码器。若用于存在明确时间滤波的 EEG 动力学建模，需要改造观测模型，并验证低信噪比、跨被试差异、通道变化及短数据是否使潜在动力学不可辨识。一个可证伪的小实验是对已知动力系统施加可控滤波与噪声，在相同短序列条件下比较该算法与既有 TF 方法对吸引子几何和长期统计量的恢复能力，再考虑真实 EEG；这不构成已验证的 BCI 效果，相关 EEG 工作尚未检索确认。