通过组合优化分析脑信号

基于摘要分析。该研究旨在度量一组多维信号之间的相似性或同步性，提出先将信号转换为点过程、再通过统计模型中的事件对齐与聚类计算同步性的方法，并将最优聚类求解转化为组合优化问题。作者报告以 EEG 预测轻度认知障碍（MCI）发生的应用，摘要未提供预测性能或评估协议，不能据此判断临床有效性。 核心机制：每个点过程中的事件对应原信号在适当特征空间中的一次活动突发。方法自适应地对齐不同点过程的事件；当信号相似时，预期自然形成包含各时间序列事件的簇。同步性由簇的大小及簇内点间距离共同度量，而最优事件聚类通过统计模型中的最大后验推断获得。摘要未说明特征空间、活动突发检测规则、具体概率模型或同步性计算公式。 计算性质：作者将两个一维信号的比较归结为动态规划，将两个 d 维信号的比较归结为二部图上的最大权重匹配，将多个信号的比较归结为 NP-hard 整数规划，并可归约为 N 维匹配。这揭示了方法扩展到高维或多信号场景时的求解负担；具体近似求解策略、运行时间及可处理规模尚未验证。 EEG 应用与复现边界：原研究的应用对象是 MCI 发生预测，不是 BCI 控制任务。摘要未提供数据集、被试数、通道配置、预测时间窗、被试内或跨被试划分、对照基线及指标，因此不能确认其泛化能力。复现需核对从 EEG 到事件点过程的构建方式、事件对齐约束及优化求解实现；实验协议、消融及统计信息尚未验证。