HOKF：用于癫痫发作预测建模的高阶 Kalman Filter

基于摘要分析。本文面向头皮 EEG 的癫痫发作预测建模，提出 High-Order Kalman Filter（HOKF），通过同时建模高阶 EEG 时间序列中的噪声、时间平滑性与张量结构，提取可用于预测神经活动的潜在动态趋势。 核心机制是扩展标准 Kalman Filter 对高阶数据的建模能力，在观测与潜在状态的动态建模过程中保留张量结构。作者将主要优势概括为：潜在变量能够捕获随时间演变的主要趋势，并可在存在缺失值时支持神经活动预测；计算耗时随序列时间切片数量线性增长。具体状态转移、观测模型、噪声假设、张量表示及缺失值处理方式尚未验证。 作者报告，在一个真实癫痫 EEG 数据集上开展了预测与可扩展性实验，结果优于原始 Kalman Filter 及其他已有方法。但摘要未提供数据集名称、被试数量、被试内或跨被试划分、预测时间范围、评价指标、具体基线及数值，因此尚不能量化其优势，也不能将神经活动预测效果直接等同于临床癫痫发作预警能力。 复现时需要核对张量各维度的定义、状态估计与参数学习流程、缺失值实验设置，以及预测目标究竟是未来 EEG 活动还是发作事件。实验协议、消融及统计信息尚未验证。该工作本身已研究 EEG，但摘要不支持进一步推断其在其他 BCI 任务中的效果。