癫痫多日周期性进展的状态空间建模

基于摘要分析。该研究针对癫痫发作风险呈患者特异性多日周期、且周期强度可能受疾病过程调制的问题，提出从 iEEG 数据学习个体化风险周期的状态空间模型（SSM），用于描述癫痫进展及周期变化。主要研究对象是癫痫风险的长期动态，而非通用 BCI 解码。 机制上，模型在状态转移矩阵中采用特殊旋转矩阵结构，以表达风险的周期性动态，并通过作者提出的期望最大化算法学习患者特异性多日周期。摘要未提供状态变量、观测模型、周期数量、噪声假设及算法更新公式，因此尚不能确定模型如何将 iEEG 观测映射到潜在风险状态，也不能将其等同于用于序列表示学习的通用 SSM 架构。 评估使用真实世界的长期连续癫痫患者 iEEG 记录，作者称其属于该人群中持续时间最长的连续记录之一。作者报告，在该数据上的 iEEG 预测及高发作风险时段推断表现优于或可比于基线模型，并提供了关于调制风险周期的生物因素的新认识。摘要未给出被试数、记录时长、训练与测试划分、基线名称或量化指标，实验协议、消融及统计信息尚未验证，不能据此判断跨被试或跨会话泛化能力。 作者还将 SSM 与强化学习结合，在计算机模拟中探索通过脑刺激降低发作风险。这是模型辅助刺激策略研究的模拟验证，不是实际刺激治疗或临床疗效验证。复现时需进一步核对 iEEG 输入与预处理、周期参数估计、预测时间范围、风险评价指标，以及强化学习中的刺激动作、奖励和模拟环境设定；摘要不足以确认代码或数据的可获取性。