癫痫多日周期性进展的状态空间建模

基于摘要分析。研究针对癫痫发作风险的个体化多日周期及其随疾病过程发生的调制，提出从 iEEG 数据学习这些周期的状态空间模型（SSM），用于描述癫痫进展、预测 iEEG 并推断高发作风险时段。 核心机制是在状态转移矩阵中引入特殊的旋转矩阵结构，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的多日周期。这里的 SSM 是面向疾病进程与风险周期的动态建模方法，不能仅凭名称将其等同于通用序列基础模型。摘要未提供观测模型、状态维度、噪声假设或算法更新细节，这些内容尚未验证。 作者报告，在来自癫痫患者的真实世界长期连续 iEEG 记录上，该模型预测 iEEG 和推断高风险时段的表现优于或接近基线模型，并提供了有关生物学因素调制风险周期的新见解。摘要将数据描述为最长的连续 iEEG 记录之一，但未给出患者人数、记录时长、数据划分、预测时间范围、具体基线、指标及统计不确定性，因此无法判断效果大小或跨患者适用性；实验协议、消融及统计信息尚未验证。 作者还将 SSM 与强化学习结合，在计算机仿真中降低癫痫发作风险，以展示其辅助脑刺激治疗开发的潜力。这是 in silico 结果，不是实际脑刺激干预或临床疗效证据。复现时需核对风险状态如何由 iEEG 观测识别、疾病调制与周期变化如何区分，以及强化学习中的刺激动作、奖励、环境模型和安全约束；代码与数据可用性尚未验证。研究直接涉及 iEEG 风险建模，但摘要不支持将其概括为已验证的通用 BCI 解码方法。