紧致状态空间上的神经随机微分方程：理论、方法及自杀风险建模应用

基于摘要分析。本文研究如何为不规则采样、含噪且部分可观测的生态瞬时评估（EMA）数据构建满足硬状态约束的潜在随机微分方程（SDE），主要应用是通过智能手机收集的自杀想法与行为自报告，而非 EEG 或 BCI。核心贡献是提出一类解可被理论保证限制在预设紧致多面体状态空间内的 SDE，并以参数化方式将神经网络或专家给定的动力学转化为满足约束的动力学。 机制与理论：作者分析了基于链式法则构造紧致域 SDE 的失败原因，并称提供理论与实证说明；随后推导一般及平稳 SDE 的漂移项、扩散项应满足的约束，以保证解留在目标状态空间。摘要未给出具体约束表达式、边界处理方式、参数化结构或训练目标，因此其保证所依赖的正则性条件及数值离散后的约束保持性质尚需全文核对。 结果与证据范围：作者报告，在若干真实 EMA 数据集（包括一项大型自杀风险研究）上，相比标准潜在神经 SDE 基线，该参数化改善了预测与优化表现。摘要未提供数据集名称、参与者数量、数据划分、预测指标或效应大小；实验协议、消融及统计信息尚未验证。预测改善与状态约束保证也不能直接等同于临床风险评估有效性或临床可用性。 平台推测（待验证）：若 EEG 相关连续时间建模任务具有科学上明确的有界潜在状态，该方法可能用于限制状态越界，并处理不规则采样和部分观测；这是迁移假设，不能将原始 EEG 振幅直接假定为固定紧致域。可复用部分是漂移与扩散的约束参数化，需改造的是状态定义、观测模型及跨被试适配。低信噪比、通道差异和小数据可能导致潜在状态不可辨识，错误边界则可能截断真实变化。可先在带已知边界的合成潜在动力学及 EEG 式噪声观测上，对照约束与无约束 SDE，在相同划分下检验越界频率、预测误差和优化稳定性；这只能检验机制，不能证明 BCI 收益。已有 EEG 相关工作尚未检索确认。