ξ-π：用于神经信号功率谱分解的非参数模型

基于摘要分析。本文研究脑记录功率谱中非周期成分（AC）与周期成分（PC）的分解问题，提出非参数模型 ξ-π，以减少对谱形及混合机制的预设依赖，为后续成分参数化提供基础。 核心机制是将带惩罚的 Whittle 似然用于非参数谱估计，并把形状语言建模（shape language modeling）嵌入期望最大化框架。摘要指出，AC 与 PC 的形状、统计分布、尺度及混合机制存在不确定性，可能限制既有参数化方法的适用性；ξ-π 则允许分解后使用描述性统计或核函数进行灵活参数化。惩罚项形式、形状约束、优化步骤与收敛条件尚未验证。 作者在合成功率谱、睡眠 EEG 和大样本 iEEG 上进行验证。作者报告：相较 FOOOF，在呈现不规则谱形的模拟及含多个孤立峰的批量模拟中，ξ-π 对 AC 与 PC 的拟合损失更低，识别峰中心频率和峰数量的 F1 更高；在睡眠 EEG 上，得到的 AC 指数更具可区分性，并提高睡眠状态分类 Accuracy；在 iEEG 上，峰发现结果更接近临床发现。摘要未提供具体数值、被试数量、数据划分或分类器配置，因此不能判断这些收益属于被试内、跨被试还是跨会话协议，也不能据此确认 BCI 解码效果。FOOOF 是摘要明确报告的对照，IRASA 与 BOSC 仅作为既有方法被提及。 该方法与 EEG 的直接关联在于区分非周期背景与周期振荡，有助于核对下游特征究竟反映哪类谱成分；但作者关于 BCI、神经反馈等用途的表述仍是应用潜力，摘要未报告这些任务的验证。复现时需核对谱估计与预处理设置、峰匹配及 F1 的定义、分类划分、临床参照标准和计算开销；实验协议、消融及统计信息尚未验证，代码可用性亦未确认。