利用干预式状态空间模型识别神经动力学

基于摘要分析。研究针对传统状态空间模型（SSM）主要捕捉统计关联、难以直接进行因果解释的问题，提出干预式状态空间模型（iSSM），用于识别低维潜在神经动力学并预测新扰动下的神经响应。主要研究对象是神经回路动力学，生物数据应用涉及小鼠神经元钙记录和猕猴电生理记录，并非 EEG 解码研究。 机制与理论：作者借鉴因果动力系统的研究进展，给出 iSSM 可识别性的理论结果。其关键价值在于将干预下的响应预测纳入动力学建模，而不只解释观测数据中的关联。摘要未给出状态转移与观测模型的具体形式、干预如何进入模型、可识别性所需假设，以及损失函数、训练和推理流程，这些内容尚待全文核对。 结果：在运动皮层模拟中，作者报告 iSSM 能恢复真实潜变量及其底层动力学。在小鼠 ALM 神经元光刺激期间的钙记录数据上，作者报告该方法揭示了短时记忆相关的动力学机制；在猕猴 dlPFC 微刺激期间的电生理记录数据上，作者报告该方法成功预测了未见扰动的响应。摘要未提供动物数量、记录规模、扰动划分、对照基线或定量指标，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG/BCI 数据包含明确记录的外部干预及相应神经响应，iSSM 的潜在动力学识别与扰动预测机制可能有助于研究刺激前后神经状态变化；这是假设，不代表普通观测式 EEG 已满足其因果识别条件。可考虑复用动力学建模框架，但需适配 EEG 的混合观测、通道结构和刺激伪迹。低信噪比、跨被试差异及小规模干预数据可能使潜状态识别和泛化失败。一个可检验的小实验是在具有明确刺激条件的 EEG 数据中按干预条件留出测试集，比较 iSSM 与观测式 SSM 对未见干预响应的预测，同时核对伪迹处理及识别假设；已有 EEG 相关工作尚未检索确认。