基于 à trous 小波变换的多尺度 Granger 因果分析

基于摘要分析。本文针对神经系统交互具有多个时间尺度、传统 Granger 因果分析可能难以表征尺度相关信息流的问题，提出基于 à trous 小波变换的多尺度分析方法，并在公开头皮 EEG 上检验静息态睁眼与闭眼条件的差异。 核心机制是仅对候选驱动变量进行小波变换，而非同时分解驱动与目标变量；分解采用带 cubic B-spline 滤波器的 à trous 小波变换。在指定尺度上，将驱动时间序列对应的小波系数纳入目标变量的回归模型，以度量该尺度的 Granger 因果关系。作者将这一设计用于应对多尺度信息动力学分析中的滤波与欠采样问题，但具体回归设定、尺度选择及估计过程尚未验证。 作者报告，在所用公开头皮 EEG 的静息态睁闭眼比较中，闭眼条件下通道间慢尺度 Granger 因果关系增强，而标准 Granger 因果分析未显示两种条件间的显著差异。这支持该方法在该评估情境下揭示尺度相关交互差异的潜力，但不等同于已验证的 BCI 解码性能提升，也不应将 Granger 因果关系直接解释为生理因果机制。 摘要未提供数据集名称、被试数、通道配置、预处理、尺度范围、效应量及显著性检验细节；实验协议、消融及统计信息尚未验证。复现时需核对上述条件，以及回归模型与标准 Granger 因果对照的具体实现。