bioRxiv（Neuroscience）· Christopher B Minasi·2026-11-04 08:00· 13 小时前AI 评分52

Minasi 团队提出 SafeLens 框架，为事件锁时神经活动分析提供统计控制

SafeLens: A Statistically Controlled Nonlinear Machine Learning Framework for Characterizing Hidden Dynamics in Event-Locked Neural Activity

AI 导读

Christopher B Minasi 团队提出 SafeLens，将随机森林与经验零分布结合，用于在严格假阳性控制下刻画事件锁时神经活动中的非线性动态。方法在滑动窗口内用多尺度时间导数区分事件锁时活动与静息态活动，并通过随机特征消融映射模型对上升与下降偏移的依赖。

AI 要点

团队

Christopher B Minasi（bioRxiv 预印本，作者单位原文未提及）

主要结果

在静息颅内 EEG 中注入模拟 CCEP，SafeLens 恢复的极性分辨偏转约为试次平均阈值法和最接近的数据驱动方法的 2.5 倍，假成分少约 5–11 倍。

解决什么问题

让非线性机器学习在严格统计控制下刻画事件锁定的非线性、试次间变化的神经动力学，控制族错误率。

方法

滑动窗口内用随机森林区分事件锁定活动与静息活动，基于多尺度时间导数；用随机特征消融反转斜率极性；在独立静息记录上训练“静息对静息”模型构建经验零分布。

局限

从研究设计看，主要验证基于模拟注入信号与静息颅内 EEG，人体数据仅 8 名患者。

AI 依据原文整理，未经人工核对。