基于状态空间建模的多模态脑信号分析：工作记忆研究

基于摘要分析。本研究针对工作记忆过程中神经活动模式的表征，提出基于状态空间模型（SSM）的 Neural-SSM，利用 N-back 任务期间采集的 EEG 与 fNIRS 多模态脑信号进行训练。其贡献集中于任务难度识别、血流动力学响应预测及跨模态活动关系分析，而非已验证的在线 BCI 系统。 方法方面，摘要提及 Embedding Unit 和 Attention GRU 两个组件，分别用于 N-back 任务难度分类和血流动力学响应回归。SSM 如何与这两个组件组合、两种信号如何对齐与融合、训练损失及推理流程尚未验证，不能仅凭摘要确定具体网络结构。 作者报告，在 N-back 任务难度分类中，Embedding Unit 的 Accuracy 为 81.41%；在血流动力学响应回归中，Attention GRU 的均方误差（MSE）为 0.1289。摘要未交代被试数、任务难度类别、数据划分、被试内或跨被试协议、对照基线，以及回归目标的单位或归一化方式，因此这些数值尚不能用于跨研究直接比较。 作者报告，注意力矩阵分析显示从 EEG 到 fNIRS 通道的方向性连接增强，并识别出随任务难度增加而增强的枕叶至额叶长程通路。这里应区分模型注意力所反映的关联结构与生理因果连接：摘要不足以确认方向性解释的验证依据，也不足以判断其是否独立于信号时间尺度和预处理影响。 复现时需核对 EEG 与 fNIRS 的同步和时间对齐、预处理、训练与测试划分、分类与回归评估协议，以及注意力连接分析的统计依据。全文、代码与数据可用性、消融及统计信息尚未验证。