面向癫痫闭环电神经刺激的 Koopman 算子在线学习

基于摘要分析。本文针对癫痫电神经调控采用预设刺激策略、难以自适应调整输入的问题，提出 Koopman-MPC 框架：以深度 Koopman 算子模型预测癫痫 EEG 的时间演化，再通过模型预测控制（MPC）设计发作抑制策略。研究的主要对象是癫痫闭环电神经调控，而非通用 BCI 解码。 核心机制是在自编码器的潜在状态空间中，用近似有限维线性动力学描述原本非线性的 EEG 演化，并在线近似与更新 Koopman 算子。作者将这一动力学模型接入 MPC，并认为其线性性质可保证后续控制优化问题的凸性。具体训练目标、在线更新规则、刺激输入的建模方式、控制约束及凸性成立条件，仍需全文核对。 作者报告，在合成及真实癫痫 EEG 数据上，深度 Koopman 算子模型的预测能力优于向量自回归模型、核方法和 recurrent neural network（RNN）等基线；摘要未给出数据集名称、被试数、划分协议、预测时域或指标数值，因此不能据此判断跨被试或跨会话泛化能力。作者另报告，在 Jansen-Rit 与 Epileptor 两类动力学模型中，相比 RNN-MPC，Koopman-MPC 能以更好的计算效率抑制发作动力学。这属于模型中的控制结果，不能等同于真实患者的刺激疗效或安全性证据。 复现重点是核对潜在空间线性近似在不同发作状态下的预测稳定性、在线更新与控制的时间开销，以及两类 MPC 对照的目标函数和约束是否一致。模型结构、数据处理、实验协议、消融及统计信息尚未验证；代码与实际刺激验证情况也需全文确认。