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。研究针对癫痫电神经调控中预设刺激策略难以自适应调整的问题，提出 Koopman-MPC 框架：以深度 Koopman 算子模型预测癫痫 EEG 的时间演化，再由模型预测控制（MPC）设计发作抑制策略。其主要研究对象是癫痫神经动力学与闭环电刺激控制，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建立近似有限维线性动力学，并在线估计、更新 Koopman 算子，使非线性 EEG 动态可以通过潜空间线性模型进行预测。MPC 利用该预测模型求解刺激策略。作者称，Koopman 算子的线性动力学性质可确保后续 MPC 优化问题的凸性；具体控制目标、刺激约束及凸性成立条件仍需核对全文。 作者报告，在合成数据和真实癫痫 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、基于核的方法及 recurrent neural network（RNN）。摘要未提供数据集名称、被试数量、训练测试划分、预测时域或具体指标，因此尚不能判断该优势是否适用于跨被试或跨会话场景。 控制实验方面，作者报告，在 Jansen-Rit model 和 Epileptor model 中，Koopman-MPC 相比 RNN-MPC 能以更高的计算效率抑制发作动力学。这一结果属于模型实验；真实癫痫 EEG 上的预测验证与模型中的闭环控制验证应分别理解，摘要未提供患者闭环刺激疗效证据。 复现时需核对自编码器训练目标、在线更新规则、刺激输入如何进入动力学模型、MPC 预测时域与约束，以及计算效率的测量条件。在线更新在 EEG 非平稳性、噪声及刺激伪迹下的稳定性也是需要验证的问题。实验协议、消融及统计信息尚未验证。