CAMOS：用于多模态临床时间序列的耦合振荡状态空间模型

基于摘要分析。CAMOS 面向多模态、非规则采样且存在广泛缺失的纵向临床时间序列，将模态可用性引入耦合振荡系统的状态转移，而不只是屏蔽缺失输入；其贡献包括缺失模式交互的表示能力分析、耦合动力系统的稳定性论证，以及保留精确关联式并行扫描的计算设计。 机制与理论：作者指出，在转移算子不依赖模态可用模式的线性状态空间层中，潜在状态是可用性指示变量的加性函数，并据此提出这类层无法表示两个模态共同存在或共同缺失的交互。CAMOS 为每个模态设置一组二阶振荡器，以可用性门控的耦合矩阵进入微分方程，使转移算子随实际测量组合变化。针对耦合后不能直接沿用非耦合振荡模型分析的问题，作者提出逐通道 Gershgorin 预算，报告其可在全部 2^M 种可用模式及所有采样间隔下保持有效刚度正定，其中 M 为模态数；能量分析将放大归因于可用性切换而非序列长度，通道因子分解则保留精确关联式并行扫描。理论成立的具体假设与证明细节尚未验证。 实验：摘要以 ADNI 中 PET 与脑脊液检测约半数访视缺失说明问题背景。作者报告，在 ADNI 的同次访视分期、landmark prediction 和纵向预测任务上，CAMOS 优于非耦合振荡状态空间模型及临床融合模型；在向 OASIS-3 的零样本迁移中，作者报告 CAMOS 是所比较模型中唯一未坍缩为多数类预测的模型。摘要未提供效果量、指标、样本规模、划分与具体基线名单，实验协议、消融及统计信息尚未验证，不能据此量化收益。 平台推测（待验证）：该机制可能适用于存在通道或模态缺失、采样间隔不规则的 EEG 多模态分析，假设缺失组合确实影响跨模态动态。可复用可用性门控耦合与稳定性约束，但需改造 EEG 时间尺度及通道到模态的映射；低信噪比、小数据和跨被试差异可能使耦合学习不稳或依赖缺失模式。可在固定跨被试划分下，对同一 EEG 多模态数据施加一致的缺失组合，比较固定转移、输入掩码与可用性门控转移，并检查未见缺失组合下的表现。已有 EEG 相关工作尚未检索确认。