bioRxiv（Neuroscience）· David Chavez-Huerta·2026-10-24 08:00· 17 小时前AI 评分32

RO-eDMD 算法用于识别工作记忆 EEG 中的 theta 与 beta 活动

Reduced-observable dynamic mode decomposition for identifying theta and beta activity in working-memory EEG

AI 导读

研究提出 Reduced-Observable Extended Dynamic Mode Decomposition（RO-eDMD）算法，借助 Random Fourier Features 字典在观测空间直接降秩，无需显式字典优化即可捕捉 EEG 中的瞬态振荡成分。

AI 要点

团队

David Chavez-Huerta（bioRxiv 预印本，作者单位原文未提及）

主要结果

RO-eDMD 提取的 theta 功率与记忆编码事件相关，theta 功率与记忆负荷的相关性升高，与文献类似结果一致。

解决什么问题

线性方法难以分析非线性、含噪、多通道的瞬态振荡活动，该算法用于刻画 EEG 高维数据。

方法

提出 Reduced-Observable Extended Dynamic Mode Decomposition，用 Random Fourier Features 字典近似高斯核；以工作记忆范式数据训练逻辑回归，theta 频段主导功率为预测变量。

局限

从研究设计看，为单一工作记忆范式数据集的可行性验证，未设对照。

AI 依据原文整理，未经人工核对。