Granger Components Analysis：潜在时间依赖的无监督学习

基于摘要分析。本文提出 Granger Components Analysis，以 Granger 因果关系为依据，从多变量时间序列中无监督学习具有定向预测依赖的潜在成分，并在模拟数据、运动想象 EEG 和静息态 fMRI 上考察其表现。 核心机制是学习成对的投影系数向量，将多变量数据映射为“驱动”与“被驱动”时间序列，使驱动信号的过去对被驱动信号当前值的预测强度最大化。作者采用交替更新两组系数向量的坐标下降算法。这里的 Granger 因果关系属于时间预测意义上的依赖，不能直接解释为生理干预因果关系；具体目标函数、时滞设置与约束条件尚未验证。 作者报告，在模拟向量自回归（VAR）数据上，该方法能够盲识别底层源，结果存在尺度不确定性。在运动想象实验的头皮 EEG 上，作者报告提取成分呈现与提示手侧相关的侧化现象；在 fMRI 上，作者报告恢复的成分呈现既往报道的静息态网络。这些结果分别提供源恢复和神经信号结构提取的证据，但摘要未提供可用于判断 BCI 分类或在线控制收益的指标。 复现时需核对 EEG 被试与试次数、预处理和参考方式、时间序列模型阶数、优化初始化与收敛判据，以及对照方法和成分稳定性。实验协议、消融及统计信息尚未验证；目前不能判断其跨被试、跨会话泛化能力，也不能将所报告的侧化现象直接视为运动想象解码性能提升。