通过延迟嵌入与扰动从部分观测中恢复隐藏的神经振荡模态

基于摘要分析。该研究关注仅记录神经系统部分活动时，哪些潜在振荡模态可以被恢复，以及如何改善恢复。作者提出控制理论框架，分别解释延迟嵌入与扰动对模态可恢复性的作用，并使用 Hankel dynamic mode decomposition（Hankel DMD）在仿真和人类 ECoG 中验证。 核心机制是将延迟嵌入观测构成的 Hankel 矩阵分解为可观测性矩阵与轨迹矩阵，后者具有可控性矩阵的形式。作者指出，两者的秩对延迟嵌入方法可恢复的信息施加互补约束：增加延迟深度能够提高可观测性秩，而扰动能够通过激发原本不活跃的模态提高轨迹秩。因此，增加历史观测与主动激发系统并非同一种信息补充方式。 作者报告，在仿真和人类 ECoG 的 Hankel DMD 分析中，扰动增加了快速衰减模态的估计数量；更大的延迟深度增加了可可靠估计的模态数量，并在 ECoG 中扩展了所估计模态的频率范围。摘要未提供量化效果、被试与通道数量、扰动方式、延迟深度设置或可靠性判据，实验协议、消融及统计信息尚未验证。该结果针对神经动力学模态恢复，不等同于 BCI 解码性能提升。 平台推测（待验证）：这一框架可用于分析有限通道 EEG 中隐藏模态难以恢复的原因，但需核对理论假设及其对噪声、非平稳性和观测混合的适用性。可复用部分是延迟嵌入与 Hankel DMD 分析；扰动方案及模态可靠性评估需针对 EEG 改造，低信噪比与小样本可能使增加延迟深度的收益受限。一个可检验的小实验是在已知潜在模态的仿真系统中，分别改变观测通道数、延迟深度、扰动与噪声水平，检验两类秩约束能否预测模态恢复表现。相关 EEG 工作尚未检索确认。