哪种模型能更好地预测决策过程中的脑—行为关系？单试次 Directed 与 Integrative 漂移扩散模型的仿真比较

基于摘要分析。该研究关注决策过程中如何可靠地连接神经记录与行为数据，以漂移扩散模型（DDM）为基础，比较单试次 Directed models 与 Integrative models 在不同神经信号信噪比（SNR）及神经—行为耦合强度下恢复真实潜在认知参数的能力。其主要贡献是通过可控仿真揭示两类建模方式在识别真实关系与控制假阳性之间的不同表现，而非提出 EEG 分类或 BCI 解码算法。 机制上，Directed models 将单试次神经测量（如单试次 EEG 电位）作为认知参数的单变量自变量；Integrative models 则通过共享潜在参数，同时描述单试次神经测量、选择与反应时数据。前者以神经测量解释认知参数，后者将神经与行为观测纳入共同的潜在参数框架，因此二者对测量噪声的处理及推断路径不同。 作者报告，在所考察的仿真条件下，Integrative models 更容易检出真实非零关系，但至少在当前采用的 simulation-based inference 实现中存在假阳性问题；Directed models 对假阳性更稳健，却在存在噪声时难以识别关系。这一结论应限定于摘要所述仿真与推断实现，不能直接扩展为某类模型在真实 EEG 数据上普遍更优。 对 EEG 研究的直接阅读价值在于：噪声条件下未检出脑—行为关系，不一定意味着真实关系不存在；更强的检出能力也不等于推断更可靠。具体 SNR 范围、耦合强度设定、样本规模、参数恢复指标、假阳性判定标准及推断配置尚未验证；实验协议、消融及统计信息尚未验证。复现时需从全文核对数据生成机制、两类模型的具体参数化及推断设置，尤其确认结果对这些设定的依赖程度。摘要未提供真实 EEG 数据验证结果，不能据此认定其已改善 BCI 性能。