利用尺度空间谱聚类识别具有局部与全局连接的神经元集群

基于摘要分析。本文研究如何识别功能相互依赖的神经元集群，并减少识别结果对神经元最大相关性所处时间尺度的依赖，提出结合 Haar 小波尺度空间表示、主成分降维与概率谱聚类的非参数方法。主要研究对象是神经点过程及神经元之间的功能关联，而非 EEG 信号或 BCI 解码任务。 方法首先利用 Haar 小波变换将神经点过程表示在 N 维尺度空间，并在该空间中定义任意两个神经元之间的相似性；随后通过主成分分析将表示降至 Q 维，再利用加权主成分构建神经元之间的图连接，最后以最大化簇紧致性为目标，通过概率谱聚类进行图划分。其值得考察的机制是将多时间尺度信息纳入相似性表示，而不是预先依赖单一相关时间尺度；相似性公式、主成分权重及聚类求解细节尚未验证。 作者报告在涉及 120 个神经元的评估设置中，与 k-means 和 expectation–maximization 算法进行比较；该设置的时变强度函数包含自发背景活动，以及在不同时间尺度诱发的阶段性响应。摘要未提供具体指标、数值或优劣结论，因此不能据此判断方法是否优于这些对照。数据来源、实验协议、消融及统计信息尚未验证，代码与复现配置也需查阅全文确认。 该工作的直接价值在于多尺度神经元功能集群分析。神经点过程与连续 EEG 在数据结构和观测方式上不同，摘要不足以支持其对 EEG/BCI 的有效性或直接迁移结论；相关 EEG 工作尚未检索确认。