基于深度 Koopman 算子的模型预测控制用于癫痫闭环电神经刺激

基于摘要分析。研究针对癫痫电神经调控中预设刺激策略难以自适应调整的问题，提出 Koopman-MPC 框架：以深度 Koopman 算子模型预测癫痫 EEG 的时间演化，再通过模型预测控制（MPC）设计发作抑制策略。主要研究对象是癫痫闭环电神经刺激，而非通用 BCI 解码。 核心机制是在自编码器的潜状态空间中构建近似有限维线性动力学，并在线近似和更新 Koopman 算子，使非线性神经动力学预测能够与 MPC 控制衔接。作者将后续 MPC 优化问题的凸性归因于 Koopman 模型的线性动力学性质；具体目标函数、刺激输入建模、约束形式及求解条件尚未验证，不能仅凭摘要进一步确认其适用范围。 作者报告，在合成及真实癫痫 EEG 数据上，深度 Koopman 算子模型的预测能力优于向量自回归模型、核方法和 RNN 等基线。摘要未提供数据集名称、被试数、预测时间跨度、划分协议或具体指标，因此尚不能判断跨被试、跨会话泛化能力，也不能量化预测优势。 在控制评估方面，作者报告，在 Jansen-Rit 和 Epileptor 两种动力学模型中，相较 RNN-MPC，Koopman-MPC 能以更好的计算效率抑制发作动力学。这属于模型仿真中的控制证据，与真实 EEG 上的预测评估应分开理解，不能据此推断患者闭环刺激疗效或临床安全性。 复现需核对自编码器训练目标、算子在线更新规则、MPC 控制时域与刺激约束、基线配置及计算效率测量条件。实验协议、消融及统计信息尚未验证；摘要也不足以确认实际系统的控制延迟、长期稳定性与部署条件。