用于从神经影像数据重建动力系统的可扩展生成模型

基于摘要分析。本文研究如何从受滤波影响的神经影像时间序列中推断底层生成动力学，提出一种状态空间模型（SSM）训练算法，以处理当前观测依赖多个历史状态、解码器因而不可逆的情形。作者报告，该方法能够从短 BOLD 时间序列重建动力系统的状态空间几何与长期时间性质。 技术背景是动力系统重建（DSR）：目标不只是预测后续观测，还包括恢复吸引子几何与长期统计不变量。已有基于控制理论和 teacher forcing（TF）变体的训练方法通过稳定梯度传播支持 DSR，但摘要指出，这些方法要求解码器可逆。fMRI 的 BOLD 信号及 Ca²⁺ 成像信号具有依赖历史状态的滤波性质，因此不能直接满足上述要求。 本文的主要贡献是利用控制技术解决这一训练适用性问题。作者报告，新算法在模型维度和滤波长度增加时具有良好扩展性，并展示了短 BOLD 时间序列上的重建能力。不过，摘要未披露具体算法步骤、损失形式、滤波器设置，以及验证数据属于模拟还是实测；数据规模、划分、对照基线、量化指标、消融及统计信息尚未验证。 复现时应重点核对历史状态如何进入观测模型、算法如何绕过解码器不可逆的限制，以及几何恢复、长期统计与计算开销分别如何评估。本文主要对象是神经影像生成动力学重建，不是 BCI 解码；材料未提供 EEG 或 BCI 任务上的有效性证据。