利用切换非线性动力系统建模脑区间的状态依赖通信

研究针对多脑区如何通过非线性、非平稳交互参与行为的问题，提出多脑区切换非线性状态空间模型 MR-SDS，在潜在空间中分解局部动力学与跨脑区通信，并估计随动力学状态变化的有向交互。基于摘要分析，未取得论文全文；主要研究对象是小鼠决策过程中的多脑区神经活动，而非 EEG/BCI 解码。 核心机制：MR-SDS 将全局动力学拆分为脑区内的局部成分与脑区间的通信成分，纳入有向交互及感觉输入的影响，以描述不同状态下的非线性动态。摘要未交代潜变量维度、状态切换机制、非线性函数参数化、损失及训练推理方式，这些实现细节尚未验证。模型估计的有向通信不能仅据摘要等同于已验证的因果作用。 验证与结果：作者报告，在三项模拟中，模型能够准确恢复潜在轨迹、切换非线性动力学的向量场及跨脑区通信模式。真实数据包含两套大规模小鼠决策数据：一套在三个相距较远的皮层脑区同步进行单细胞分辨率记录，每个脑区包含数百个神经元；另一套为覆盖双侧半球、八个相邻皮层脑区的中尺度广域成像数据。作者报告，在这些多脑区数据上，MR-SDS 优于现有分段线性多脑区模型，并揭示多个不同的动力学状态与丰富的跨区通信模式。摘要未提供具体指标、提升幅度、划分协议或基线名称，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 能获得相对稳定的脑区级源信号，该分解机制可能用于研究非平稳的跨区交互，但这是假设，不是已证实的 BCI 效果。潜在动力学分解思路可复用，观测模型需适配 EEG 的源混合、噪声和通道结构；低信噪比、源定位误差、跨被试差异与小数据可能导致局部活动和跨区通信难以区分。一个可证伪的小实验是在已知状态切换及跨区耦合的合成源信号上加入 EEG 式混合与噪声，对照分段线性模型，检验通信方向和状态能否恢复。已有 EEG 相关工作尚未检索确认。