输出参数场而非隐向量
多数深度EEG分类器把一段记录压缩成为标签优化的隐向量。这篇论文换了一种做法：让输出本身就是生理量，把每个5秒、19通道的片段映射为Jansen-Rit神经质量参数场，并按90个脑区的AAL图谱分区。Jansen-Rit模型用微分方程描述兴奋性与抑制性神经元群体的平均场动力学，因此它的参数带有生物物理名称，而不是任意编号。
具体来说，网络为90个脑区各预测11类节点级参数族，再加一个样本级全局参数，共12个目标。全局目标是传导延迟的缩放因子。由于每个预测都带脑区标签，病例与对照的差异可以表述为某个脑区中的某个具体参数，而隐向量做不到这一点，除非另加一步解码。
三条分支把解剖结构留在回路中
这个反演网络称为多分支空间-频谱反演，并行运行三条数据流。头皮时间分支从19个通道编码多尺度波形。源空间分支先对导联场施加固定的Tikhonov正则化伪逆，得到90个源信号，再用分组卷积处理，90个分组确保任何卷积核都不会混合不同脑区的信息。频谱分支从0至40 Hz的前201个频率bin编码低频振荡特征。
随后，源节点token通过交叉注意力查询头皮时间token。论文明确指出，这些注意力权重不能被解读为解剖连接、有效连接或电极的物理敏感度。解剖索引来自导联场投影和逐脑区预测头，而不是对注意力的解释。
参数恢复质量差异明显
在独立的合成测试集上，12个目标的预测值与真实值平均Pearson相关系数为r = 0.83。各参数之间的差异比平均值更重要。全局delay_scale恢复最好，r = 0.97；突触时间常数tau_e2和tau_i2超过r > 0.92；耦合参数C3和C4约为r = 0.85；S形相关参数theta、beta和r_max最弱，约为r = 0.69至0.72。
在空间上，tau_e2的区域平均相关性最高，平均r = 0.87，而抑制性时间常数在不同脑区之间波动更大。因此读者不应把12个输出视为同等可信：后来承载疾病叙事的C1和theta属于可辨识性不同的参数族，而theta在干净仿真中属于较弱的一组。
噪声类型决定哪些参数仍可用
压力测试按噪声类型分别报告，而不是给出一个总体退化值。在SNR = 30 dB时，类EOG噪声下性能接近干净基线（r = 0.81，基线0.83），而粉红噪声、白噪声和EMG分别降至r = 0.58、0.54和0.53。在SNR = -5 dB时，平均相关性降至EOG 0.28、EMG 0.24、白噪声0.10、粉红噪声0.07，不过48个参数-噪声组合中仍有40个保持正相关。
delay_scale是最稳健的目标，从30 dB时的r = 0.89降至-5 dB时的r = 0.55。负相关只出现在低SNR（5 dB及以下），且只出现在局部耦合参数C1至C3中。这些是替代噪声条件，不是测有伪迹水平的真实记录，因此这些数字描述的是注入噪声下的模型行为，而非临床伪迹鲁棒性。
重建一致性中等，不构成证明
对真实静息态EEG，论文运行一个反演-前向闭环：推断参数，再生成信号并比较。相位锁定值从δ频段的0.367、θ频段的0.521升至α频段的0.679。1至40 Hz的频谱一致性达到通道平均对数功率谱相关性0.674，在PZ（0.734）和CZ（0.732）最高。α峰频率绝对误差平均0.500 Hz，1/f非周期斜率误差平均1.566。
作者自己划出了关键边界：这个闭环中的观测保真度并不保证唯一的数学可辨识性。推断值是宏观变化的受约束点估计，不是突触电流或神经递质浓度的测量。论文还表示，监督微调可能以无法完全排除的方式塑造最终参数空间。
四个队列上的临床优势并不均衡
在AD65、PD31、Figshare MDD和TUAB上，该框架被描述为有竞争力但依赖数据集。它在PD31和MDD上取得最高的BACC、AUROC和AUCPR，在AD65上取得最高BACC。在TUAB上表现欠佳。作者把这一差距归因于任务不匹配：TUAB是宽泛的正常与异常筛查，与特定表型的病例-对照比较不同。
这个比较应当决定预期。该模型的卖点不是以243万参数在所有基准上占优，而是在若干特定表型队列上具有竞争力，同时给出带解剖索引的输出。当任务是通用异常检测时，可解释性框架并不能挽救准确率结果。
C1标记AD65，theta标记MDD
事后区域检验在每个队列中给出不同的主导参数。在AD65中，局部兴奋性连接参数C1涉及最多改变脑区，覆盖默认模式网络、边缘记忆系统以及皮质-丘脑/基底节回路。在Figshare MDD中，放电阈值theta排第一，显著脑区位于情绪调节网络、皮质-边缘回路和皮质-纹状体-丘脑环路。MDD的theta表报告35名MDD患者和30名对照，Benjamini-Hochberg q < 0.001。
论文把这些定位为可检验的机制假设，而非已确立的生物标志物。这些分析捕捉的是队列层面的区域变化，无法确立跨模态因果通路，且使用AAL-90模板，其较粗的分辨率可能掩盖更细的局部动力学异常。与既有网络神经科学文献的一致性属于作者的解释，不是本研究的结果。
为区域假设而非原始精度选择它
实际取舍来自论文自身的结果。如果目标是在TUAB这类宽泛筛查任务上获得最高准确率的标签，该框架表现欠佳，不支持选用。如果目标是一句病例-对照陈述，即“这个动力学参数在这些AAL脑区存在差异”，NeuroDyn-EEG提供了隐分类器没有的东西：有名称的参数、有名称的脑区，以及明确的统计阈值。
因此优先级是参数层面的比较，并按可辨识性加权。最可信的是delay_scale和突触时间常数；看待C1结果时要记住耦合参数族恢复程度中等；看待theta结果时应视其为链条中最弱的一环，因为在干净仿真中theta属于r = 0.69至0.72的S形参数组。论文的贡献是一条从头皮电位通向机制假设的流程；C1和theta能否在独立队列中成立，是论文明确留待验证的一步。
本文引用的文献
NeuroDyn-EEG: An Interpretable Pre-trained Model for EEG Based on Neural Dynamics
NeuroDyn-EEG以约243万可训练参数，把19通道头皮EEG映射为覆盖90个AAL脑区的11类区域Jansen-Rit参数族外加一个全局参数，取得有竞争力但依赖数据集的临床分类表现，并给出疾病特异的区域假设。