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。该研究关注如何从具有历史依赖滤波的神经影像时间序列中恢复潜在生成动力学，提出一种用于训练状态空间模型（SSMs）的新算法，以处理既有 teacher forcing（TF）方法所依赖的解码器可逆性条件不成立的问题。主要验证对象是 fMRI 的 BOLD 时间序列，并非 EEG 解码或 BCI 任务。 机制与问题：面向动力系统重建（DSR）的部分 SSM 训练方法利用控制理论思想及 TF 变体稳定损失梯度传播，目标不仅是预测观测，还包括恢复吸引子几何与长期统计不变量。但 BOLD 和 Ca²⁺ 成像等信号的当前观测依赖此前多个状态，滤波过程使解码器不可逆，因此这些训练方法不能直接应用。本文沿用控制技术训练 SSM 的思路提出解决算法；摘要未提供具体状态方程、滤波建模方式、损失函数或训练流程。 作者报告，该算法随模型维度与滤波长度增加仍具有良好扩展性，并能从短 BOLD 时间序列重建动力系统的状态空间几何及长期时间特性。摘要未给出序列长度、数据来源、被试数、划分协议、对照基线或定量指标，不能据此判断真实神经影像上的泛化程度；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 分析中的预处理滤波或观测过程也使当前观测依赖历史潜在状态，该训练思路可能用于潜在动力学建模，但并不自动改善 BCI 分类。可复用的候选部分是 SSM 的控制式训练机制，观测模型则需适配多通道 EEG；低信噪比、跨被试差异与短记录可能使潜在动力学难以辨识。可先用已知潜在动力系统生成多通道滤波观测，逐步增加噪声和滤波长度，在相同数据条件下比较本文方法与常规 SSM 的几何及长期统计恢复能力，以检验这一机制假设。已有 EEG 相关工作尚未检索确认。