动力学
Parent: ai_keywords
动力学（Dynamics）—— AI + 神经科学视角
【核心定义】
动力学是研究系统状态随时间演化的规律的科学，核心工具为微分/差分方程来描述状态空间中的轨迹。在人工智能与神经科学交叉领域，动力学指大脑作为高维非线性动力系统的活动模式——神经群体活动的时空演化可被建模为吸引子、混沌、分岔等动力学现象。现代AI则通过神经微分方程、循环神经网络等架构学习并模拟这些演化规律，实现从数据到动态机制的逆向推断。
【关键技术点】
-
状态空间重构与嵌入
利用延迟坐标嵌入（Takens定理）从单变量神经电生理信号中恢复系统的完整动力学，为后续分析提供低维表示。 -
非线性动力学与混沌理论
神经群体中广泛存在混沌活动——提供计算灵活性与记忆容量；癫痫发作被建模为从混沌到周期吸引子的“病理分岔”，可利用李雅普诺夫指数量化状态转变。 -
神经微分方程（Neural ODE）
将离散隐藏层替换为连续时间动力系统，参数化导数函数，适合处理不规则时间序列的神经数据（如EEG/fMRI）。 -
稳定与分岔分析
分析动力系统参数变化导致的拓扑结构改变（如鞍结分岔、Hopf分岔），用于解释认知状态切换（清醒→睡眠）及药物干预机制。 -
贝叶斯动力学推断
通过变分推断或粒子滤波，从噪杂神经记录中反向估计潜在动力学变量及其不确定性，支持实时脑状态解码。
【医学/神经科学应用场景】（首都医科大学神经病学研究背景）
以帕金森病（PD） 为例——基底节-丘脑-皮层环路在病态下进入异常β波段（13-30 Hz）同步振荡。首都医科大学神经病学团队可采用：①采集STN-DBS术中局部场电位；②利用相空间重构提取吸引子拓扑特征；③构建延迟微分方程模型并计算分岔边界，将患者个体化“动力学指纹”与运动症状严重度关联。进一步，AI驱动的自适应DBS算法可实时监测分层指数（Lyapunov指数变化），在即将发作僵直前触发闭环刺激，相比传统开环治疗能耗降低40%以上，此方法已进入临床前验证阶段。
