LERD：用于神经退行性疾病分类的潜在事件—关系动力学

基于摘要分析。该研究以 Alzheimer’s disease（AD）的多通道 EEG 分类为主要对象，针对黑箱分类器难以显式解释潜在事件时序及跨通道协调的问题，提出端到端贝叶斯潜在事件—关系动力学系统 LERD，在不依赖事件或交互标注的情况下联合推断潜在神经事件及其关系结构。 机制上，LERD 将连续时间事件推断模块与随机事件生成过程结合，以描述灵活的时间模式，并引入受电生理启发的动力学先验来约束学习。作者还报告了理论分析，包括可计算的基于初值问题（IVP）的 KL 正则项，以及所推断关系动力学的稳定性保证。具体先验形式、正则项推导、稳定性成立条件，以及事件推断与分类目标如何联合优化，均需全文核对。 评估方面，作者报告在合成基准和两个真实 AD EEG 队列上优于强基线，并生成与生理特征相符的事件率、时序和图结构摘要，用于刻画组水平动力学差异。摘要未提供队列名称、样本量、数据划分、基线名称或具体指标，因此尚不能判断性能提升幅度及跨被试、跨队列泛化能力；实验协议、消融及统计信息尚未验证。 其研究价值在于将疾病分类与潜在事件及通道关系的显式建模结合，但组水平摘要与生理特征的一致性不等于个体诊断可靠性，也不构成潜在事件具有真实生理对应关系的独立验证。复现需进一步取得数据处理流程、模型与先验定义、训练配置及评估协议；该材料不支持将其结果扩展为一般 BCI 任务的有效性结论。