通过密度比的正交归一分解学习皮层–肌肉依赖性

基于摘要分析。本研究关注同步 EEG 与 EMG 记录中的皮层–肌肉依赖性，旨在刻画传统连接性方法难以充分表达的高层次、上下文相关关系。作者将基于密度比正交归一分解的统计依赖性估计用于皮层与肌肉振荡建模，使分析不再局限于单一标量度量。 核心机制是从信号观测中学习密度比的特征值、特征函数及投影空间，以表征皮层–肌肉连接性。作者将可解释性、可扩展性和局部时间依赖性列为该方法针对的问题。摘要未给出密度比的具体定义、估计器实现、训练目标或时间窗口设置，因此尚不能判断其计算代价及局部依赖的具体建模方式。 作者报告，所学习的皮层–肌肉连接性特征函数能够准确分类运动与被试，并揭示通道和时间依赖关系；作者将这些关系解释为支持运动期间特定 EEG 通道的激活。摘要未提供分类指标、数据集、被试人数、被试内或跨被试划分、对照方法及统计检验，故不能量化其性能优势，也不能将被试分类能力等同于跨被试运动解码能力。实验协议、消融及统计信息尚未验证。 该工作的直接对象是 EEG–EMG 连接性，而非已验证的在线 BCI 解码系统。复现时需核对同步记录与预处理流程、特征函数学习及分类评估的数据划分，以及通道和时间依赖的解释依据；目前材料不足以确认代码、数据可用性或实际 BCI 应用效果。