用于恢复大范围缺失系统动力学的动力学引导机器学习

基于摘要分析。该研究面向复杂动力系统观测时间序列的缺失恢复，尤其关注高维系统中序列内部大量缺失与变量间广泛缺失并存的情形，提出动力学引导的插补框架 Full-Partial Reconstruction Mapping（FPRM）。其主要研究对象是跨领域的复杂系统时间序列，EEG 是其中一种验证数据，并非专门的 BCI 解码方法。 机制上，FPRM 不仅直接拟合时间序列间的依赖关系，而是通过状态空间重构引入内在动力学先验，学习完整与不完整数据所对应吸引子之间的微分同胚拓扑映射，以恢复多个不完整序列。摘要未提供映射的具体参数化方式、损失函数、训练流程及重构参数。 验证对象包括生态系统、普通 Lorenz 系统、耦合的 120 维 Lorenz 与 Rössler 系统，以及道路占有率、EEG、汇率和风速等真实数据。作者报告，在仅一个变量完整观测、其余变量存在严重缺失（例如缺失率为 90%）的高维系统情形下，FPRM 仍可可靠插补多个不完整变量，并优于传统方法；但摘要未明确这一缺失设置对应哪些数据，也未给出 EEG 数据集、被试数、缺失生成方式、划分协议、对照方法及量化指标，不能将该结论直接视为 EEG 上的特定性能证据。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 中存在可用的完整参考通道，且参考通道与缺失通道具有可学习的动力学对应，状态空间重构与映射模块可能用于通道数据缺失恢复；需适配 EEG 的非平稳性、通道差异及低信噪比。完整参考通道不足、伪迹污染或跨被试动力学变化可能使映射失效。可在完整 EEG 的独立测试片段上人工遮蔽部分通道数据，比较 FPRM 与常规插补的重构误差及下游任务表现，核对其收益是否依赖完整参考通道。除本文摘要所述验证外，相关 EEG 工作尚未检索确认。