LERD：用于神经退化性疾病分类的潜在事件-关系动力学
机器学习
2026-02-23 v1 人工智能
摘要
阿尔茨海默病（AD）会改变大脑电生理学并破坏多通道 EEG 动力学，使得基于 EEG 的准确且临床有用的诊断对于筛查和疾病监控日益重要。然而，许多现有方法依赖黑箱分类器，且不显式地建模产生观察信号的潜在动力学。在这些限制因素下，我们提出 LERD，一个 end-to-end 的贝叶斯电生理神经动力系统，从多通道 EEG 中直接推断潜在神经事件及其关系结构，而无需事件或互动标注。 LERD 将连续时间事件推断模块与随机事件生成过程相结合，以捕获灵活的时序模式，同时纳入一种受电生理学启发的动力学先验，以原则方式引导学习。我们进一步提供了理论分析，得到可用于训练和对推断关系动力学稳定性保证的可计算上界。大量实验在合成基准和两个真实世界 AD EEG 队列上表明，LERD 在各类强基线方法上 consistently 优于表现，并产生与生理学相符的潜在总结，帮助表征群体层面的动力学差异。
引用
@article{arxiv.2602.18195,
title = {LERD: Latent Event-Relational Dynamics for Neurodegenerative Classification},
author = {Hairong Chen and Yicheng Feng and Ziyu Jia and Samir Bhatt and Hengguan Huang},
journal= {arXiv preprint arXiv:2602.18195},
year = {2026}
}