将 Epsilon-自动机应用于脑电图 (EEG) 微状态序列以模拟与重构神经动力学

我们通过将 $\epsilon$-machine 重构应用于脑电图 (EEG) 微状态序列，引入了分析神经时空动力学的新技术。微状态是通过电极阵列从人类头皮记录到的动态变化电场拓扑图的短时准稳态，并聚类为四个典型类别。在特定条件下观察到的微状态序列可以被视为具有未知底层结构的信息源。$\epsilon$-machines 是离散动力系统自动机，在不同未来观测（在此为下一个测量到的 EEG 微状态）上具有状态依赖概率。它们作为展示模拟源行为动力学的生成模型，以最优预测的方式人为再现了底层结构。在此，我们使用模拟和经验数据的实验，支持了将这些离散动力系统与心理状态（例如走神、集中注意力等）以及临床群体相关联的价值。心理状态和临床群体的神经动力学随后可以通过这些动力系统的性质进一步表征，包括：i) 统计复杂度（由相应 $\epsilon$-automaton 的状态数决定）；ii) 熵率；iii) 特征序列模式（句法、概率语法）；iv) 动力学模式的持续时间、持续性与稳定性；以及 v) 代数度量，例如这些分解的 Krohn-Rhodes 复杂度或全等长度。潜在应用包括以神经动力学术语表征心理健康诊断、福祉干预、人机界面等心理状态，适用于个体层面和群体/总体层面。