通过扰动神经网络推断有效连接：来自合成 EEG 数据的证据

基于摘要分析。该研究针对多脑区非线性因果交互的刻画问题，提出先训练神经网络预测未来 EEG，再扰动网络输入以估计通道间有效连接（EC）的数据驱动框架。核心贡献是将时序预测模型的扰动响应用于推断潜在因果结构，并在合成 EEG 上检验其表现。 方法上，作者使用历史 EEG 数据训练 CNN、vanilla RNN、GRU、LSTM 和 Transformer 预测未来信号，随后扰动某个 EEG 通道对应的输入，根据其他通道的预测响应获得 EC。这里扰动的是预测网络的输入，而非直接干预真实脑区；从模型响应到脑区因果关系的解释仍需核对其识别假设。摘要未说明扰动形式、幅度、预测时间跨度、EC 的计算方式及训练损失。 作者报告，在具有生物学合理性的 Jansen-Rit 模型生成的 3 通道和 90 通道合成 EEG 上，CNN 与 Transformer 表现最佳，并优于经典 Granger causality 方法。摘要未提供具体指标、分数、数据划分或基线配置，因此尚不能量化优势，也不能将两种通道规模下的结果直接视为真实 EEG 的验证。 复现时需核对合成数据的连接结构与生成参数、训练和测试划分、网络预测误差与连接恢复表现的关系，以及扰动设置对 EC 估计的敏感性。实验协议、消融及统计信息尚未验证。当前证据支持该框架在所述合成系统中的潜力，但不等于已证明其能识别真实 EEG 的脑区因果关系，也未提供 BCI 任务中的性能证据。