arXiv q-bio.NC（Neurons and Cognition）·2026-11-03 13:00· 10 小时前AI 评分40

差分动态因果网络：模型构建、辨识与组间比较

Differential Dynamic Causal Nets: Model Construction, Identification and Group Comparisons

AI 导读

研究提出一种直接从分组 EEG 数据构建差分因果网络的方法，每个节点用 Jansen-Rit 模型表示局部平均区域神经系统，节点与边参数服从混合效应模型，并证明其节点模型具有局部结构可辨识性。

AI 要点

团队

第一作者 Kang You，末位作者 Jian Zhang，共 3 位作者。

主要结果

在癫痫 EEG 数据中识别出脑区内及脑区间动态网络参数的显著变化，揭示发作前与发作期由兴奋-抑制性中间神经元失衡等导致的网络紊乱，并对比病例组与对照组。

解决什么问题

针对群体比较中难以建模数千神经元相互作用的问题，提出直接从分组 EEG 数据构建差分因果网络的方法。

方法

模块化网络以 Jansen-Rit 模型表示局部平均区域神经系统作为节点，有向边表示节点间输入输出连接，参数服从混合效应模型；用基于 Chen-Fliess 展开损失函数的进化优化算法推断参数，并在传感器层与源层拟合分组癫痫 EEG 数据。

局限

从研究设计看，方法验证以癫痫 EEG 数据拟合和合成数据评估为主，未设对照方法比较。

AI 依据原文整理，未经人工核对。