SafeLens：一个统计受控的非线性机器学习框架，用于刻画事件锁定神经活动中的隐藏动态

过去十年间，机器学习发展迅速，然而事件锁定的神经活动仍主要用传统统计和线性模型来分析。传统线性方法虽然能为预先选定的特征或试次平均波形提供计算上可行的统计控制，却会遗漏细微的非线性与逐试次变化的神经动力学。非线性模型能够捕捉这些复杂模式，但其对特征的依赖是不透明的，且众所周知难以进行统计阈值化。我们提出 SafeLens（Searchlight Analysis of Fluctuation Events, Leveraging Extensive Null Sampling，即利用大量零采样的波动事件探照灯分析），将非线性机器学习的能力与传统统计推断严格的假阳性控制相结合。在滑动窗口的每个位置上，随机森林利用多尺度时间导数学习区分事件锁定活动与交错的静息态神经活动。在留出试次中进行的随机特征消融会反转斜率极性，从而绘制出随机森林模型在时频空间中对特定上升与下降偏移的依赖。随后，SafeLens 通过在独立的静息态记录上运行相同流程、训练森林区分静息与静息，来建立经验零分布。这一经验零分布将每个通道复杂的非线性静息动力学转换为图谱线性依赖尺度上与模型匹配的噪声底，使得单一阈值能够针对通道自身的背景结构（而非其基线的某个汇总统计量）控制族系错误率。当我们将模拟的皮层-皮层诱发电位（CCEPs）注入静息颅内 EEG 记录时，SafeLens 恢复出的极性分辨偏转数量约为试次平均阈值化和最接近的数据驱动方法的 2.5 倍，在逐试次变异性下仍保持其优势，同时产生的假成分约少 5-11 倍、平均边界误差约低 2-5 倍，并且作为计时先验具有更优的单试次潜伏期追踪能力。在八名患者中，CCEPs 在刺激后直至 1,040 ms 仍可高于随机水平被检出，而上述基准方法分别为 570 和 455 ms。总之，这些发现确立了 SafeLens 作为一种新颖解决方案，使非线性模型能够在严格统计控制下揭示细微的、逐试次变化的神经动力学。

中文由 AI 翻译，仅供参考，以原文为准。