基于可解释潜在 SDE 模型的临床丙泊酚镇静期间原始 EEG 系统辨识

基于摘要分析。本研究针对临床丙泊酚持续给药场景中，传统 EEG 频谱或熵特征难以刻画意识状态时间动力学的问题，提出从原始 EEG 端到端学习可解释潜在随机微分方程（SDE）的动力学自编码器。主要研究对象是镇静监测与意识状态动力学，而非 BCI 控制任务。 机制上，模型以时间卷积神经网络（TCN）将输入窗口编码为低维潜在状态，再通过具有可学习状态依赖参数的 Kuramoto-like 耦合振荡器推进状态，并将预测的潜在轨迹解码回 EEG。潜在系统包含振荡器频率、成对耦合和相位同步等可解释量。其方法价值在于以预测重建为学习路径，将信号表征与显式动力学相结合，而不是仅从手工特征进行镇静水平判别；具体损失、SDE 求解方式及预测时间跨度尚未验证。 数据来自常规内镜检查中丙泊酚镇静期间的双通道临床 EEG，共 285 条记录，并包含由专业护士按 MOAAS 量表标注的意识深度；记录数不能等同于被试数。作者报告，MOAAS 标签未被直接用于塑造潜在动力学，但潜在空间仍呈现与镇静深度对应的分级结构，且这些潜在特征在留出被试上支持有意识与无意识状态预测。摘要未提供具体指标、划分比例或对照结果，也不足以确认模型已实现具有临床效用的短期未来镇静变化预测。 复现应核对窗口长度、预处理、被试划分、预测目标与时间跨度，以及潜在参数与 MOAAS 的对应关系及稳定性。实验协议、消融及统计信息尚未验证，代码与数据可得性亦尚未验证。上述证据支持的是作者所述镇静场景中的动力学表征能力，不能直接推定其适用于其他 EEG 或 BCI 任务。