静息态 EEG 微状态序列的信息论分析：非马尔可夫性、非平稳性与周期性

基于摘要分析，当前材料仅提供研究亮点，未取得论文全文。该研究以静息态 EEG 微状态序列为对象，引入信息论分析，考察序列的马尔可夫性、平稳性、周期结构与记忆特征，主要贡献是描述微状态转换过程中超出简单时序假设的统计性质。 作者报告，所分析的静息态微状态序列具有非马尔可夫性，且常呈现非平稳性；序列还存在与 EEG 频谱相关的明显周期性，并在超过 1000 ms 的时间滞后上显示短程记忆。材料未给出这些结论对应的数据、被试、预处理及统计检验背景，因此其适用范围和稳健性尚未验证。“超过 1000 ms”的表述应保留为作者报告，不能据此确定完整的记忆衰减范围。 技术上，非马尔可夫性涉及微状态序列对历史状态的依赖，非平稳性则涉及序列统计性质随时间的变化；二者是不同问题，不宜混为一谈。材料未说明所用信息论量、微状态提取与分类方法、时间尺度处理或频谱关联分析方式，也不足以判断这些性质如何影响具体预测或分类任务。实验协议、消融及统计信息尚未验证。 本研究直接讨论 EEG 的时序统计结构，但材料未提供 BCI 解码、运动想象或其他任务性能证据，不能将其结论写成已证实的 BCI 算法改进。复现前需核对微状态序列构建流程、平稳性检验、时序依赖的对照模型，以及周期性与 EEG 频谱关系的分析条件；数据和代码可用性尚未验证。