自发全脑旋转动力学约束线索诱发行为

基于摘要分析。研究关注全脑神经活动的低维动力学如何关联行为与学习，提出 Rotational Component Analysis（RCA），以优化低方差旋转模态的检测，并支持单试次分析。作者结合多种神经记录和动力学模型，提出自发旋转状态可约束后续线索诱发反应。 方法与数据：作者将 RCA 应用于猴和人的运动皮层脉冲序列、小鼠全皮层钙成像，以及人的 fMRI 和 MEG。其方法重点是识别可能不由主要方差方向呈现的旋转动力学，而非仅提取高方差成分。摘要未给出优化目标、估计流程或单试次检测的评估细节，尚不能据此确定其与其他旋转动力学分析方法的具体差异。 作者报告，在小鼠实验中，由静息活动识别的旋转模态，其在线索随机到达时的相位能够预测动物随后是否拉动杠杆；摘要未提供预测指标或数据划分。作者使用 recurrent neural network（RNN）和一个最小二维反应学习模型解释这一关联，认为内在旋转模态对反应与学习构成动力学约束，但这些模型解释不应直接等同于生物机制的因果验证。 作者还报告，在小鼠和人类数据中识别出包含两个旋转中心的双旋转模态，可区分准备与任务动力学；相关模态也组织人类非运动任务中的神经活动。在早期精神病性障碍分析中，作者报告旋转不可逆性可揭示主成分分析未显示的组间差异，但摘要未说明临床样本构成、效应量及独立验证情况，不能据此推断诊断效能。 该研究主要提供神经动力学表征与行为关联证据，并非已验证的在线 BCI 解码方案。复现需核对 RCA 的数学定义、预处理与时间尺度、模态选择、行为预测划分及组间比较协议；实验协议、消融及统计信息尚未验证。摘要未涉及 EEG 应用，已有 EEG 相关工作尚未检索确认。