学习脑状态动力学以通过 EEG 客观评估压力韧性

基于摘要分析。研究针对压力韧性这一相对稳定的心理特质难以从瞬时 EEG 活动中估计的问题，提出 Koopman Manifold Network（KoMaNet），通过脑状态编码、稳定动力学建模和流形上的被试分类，尝试抑制瞬态活动等干扰并提取与特质相关的信息。作者还采集了包含整夜睡眠与午后小睡范式的 RESIST 数据集，用于压力韧性评估。 机制上，KoMaNet 在三个层级处理干扰：自监督状态网络通过模仿专家描述符编码每个 EEG 片段，以形成稳定的脑状态表征；Koopman 动力学网络使用以记录上下文为条件的 Koopman 算子，建模脑状态的稳定动力学；流形被试网络依据被试的动力学特征在流形上进行分类。摘要未说明专家描述符的具体定义、条件变量、流形构造、损失函数与训练流程，这些实现细节尚未验证。 作者报告，在 RESIST Night 的整夜睡眠范式与 RESIST Day 的午后小睡范式中，KoMaNet 分别取得 0.740 和 0.700 的 AUC。摘要未提供被试数量、韧性标签来源、训练测试划分、对照基线或置信区间，因此不能据此确认 Cross-subject 或 Cross-session 泛化，也不能判断相对已有方法的提升幅度。实验协议、消融及统计信息尚未验证。 作者报告，模型归因分析识别出枕区 delta 与额区 theta/alpha/beta 频段中的判别模式；在 RESIST Night 中，入睡后高韧性被试相较低韧性被试表现出更小的稳态动力学偏离。这些是分类相关的归因和组间观察，尚不能据此认定为压力韧性的因果机制或经独立验证的生物标志物。 阅读与复现时需核对韧性测量及分组依据、睡眠阶段与记录上下文的处理、被试隔离的数据划分，以及三个模块各自的贡献。数据和代码的可获得性尚未验证。研究的主要对象是 EEG 支持的心理特质评估，摘要未报告在线 BCI 控制或交互任务中的有效性。