基于双重 Laplacian 分布的 Granger 因果推断及其在运动想象 BCI 分类中的应用

研究针对传统 Granger 因果分析容易受眼动伪迹等异常值影响、产生不合理脑连接的问题，提出 dual Laplacian Granger causality analysis（DLap-GCA），以同时增强 EEG 有效连接估计的抗异常值能力与网络稀疏性，并将所得网络特征用于运动想象（MI）分类。以下基于摘要分析，未取得论文全文。 核心机制是在模型残差和模型参数上分别施加 Laplacian 分布假设：残差端旨在降低异常值对因果推断的影响，参数端旨在稀疏表征多个脑区之间的相互作用。其方法特点是将稳健估计与稀疏连接建模结合，而非仅依赖传统 Granger 因果分析生成网络。具体模型形式、优化目标、求解算法与超参数设置尚未验证。 在模拟研究中，作者报告该方法能够抑制复杂异常值的影响，保持模型估计稳定性并推断稀疏网络；摘要未提供噪声生成方式、对照方法名称或定量结果。在 MI EEG 应用中，作者报告 DLap-GCA 即使在强噪声条件下也能捕获与 MI 任务相关的半球侧化稀疏模式，基于其网络特征的分类 Accuracy 高于所比较的传统方法。作者将这一优势归因于方法在单试次在线条件下仍能及时捕获具有判别性的网络结构，但摘要未给出具体 Accuracy、在线计算时延或是否开展实际闭环 BCI 验证。 复现时需核对数据集与被试信息、被试内或跨被试等评估协议、训练测试划分、伪迹条件、网络构建与特征提取流程，以及分类器和对照基线。实验协议、消融及统计信息尚未验证。另需区分 Granger 意义上的预测性方向连接与生理因果证据，不能仅凭分类提升或侧化模式认定真实脑区因果机制已获验证。