使用干预状态空间模型识别神经动力学

基于摘要分析。该研究针对普通状态空间模型（SSM）主要捕捉统计关联、难以进行因果解释的问题，提出干预状态空间模型（iSSM），旨在识别潜在神经动力学并预测神经回路在新扰动下的响应。其主要研究对象是神经回路的因果动力学，而非 EEG 解码或 BCI 任务。 机制与理论：作者借助因果动力系统的研究进展，为 iSSM 的可辨识性给出理论结果。方法的关键方向是将干预信息纳入状态空间建模，使低维潜变量及其动态具有可辨识的解释。摘要未说明状态转移与观测模型的具体形式、干预如何进入模型、训练目标，以及可辨识性所依赖的假设；不能据此将理论结论扩展为任意神经记录条件下均可恢复真实动力学。 实验与结果：作者报告，在运动皮层模拟中，iSSM 能恢复真实潜变量及底层动力学。真实数据包含两类应用：小鼠 ALM 神经元在光刺激期间的钙记录，以及猕猴 dlPFC 在微刺激期间的电生理记录。作者报告，在这两类数据中，iSSM 优于普通 SSM，并得到可辨识参数。摘要未提供具体指标、效应大小、动物数量、数据划分或新扰动预测的验证方式，实验协议、消融及统计信息尚未验证。材料提供了代码仓库，但代码完整性及复现条件尚未核验。 平台推测（待验证）：其可迁移价值在于为具有明确外部干预的神经信号建模提供因果约束，而不是直接替代常规 EEG 分类器。假设 EEG 数据包含已知干预条件及相应时间序列，可考虑复用干预动力学建模思路，但需改造观测模型以处理头皮信号混合、低信噪比及被试与通道差异；若只有观察性记录或任务标签，未必满足原方法的识别条件。一个可检验的小实验是在相同数据划分和模型容量控制下，以部分干预条件训练、留出另一条件测试，比较 iSSM 与 SSM 的响应预测误差及跨重复训练的参数稳定性。已有 EEG 相关应用尚未检索确认。