行为预测
Parent: ai_keywords
核心定义
行为预测（Behavior Prediction）指利用人工智能模型（如深度学习、时序分析）与神经科学的因果推断，从历史行为、神经电生理信号或环境线索中，提前估计个体在未来时刻的动作意图、状态或事件。其核心挑战在于捕捉生物系统的非线性和动态随机性，是计算精神病学与神经工程交叉的前沿领域。
关键技术点
- 时序序列建模（RNN/LSTM/Transformer）
基于脑电（EEG）、局部场电位（LFP）或运动学数据，构建时序依赖模型，捕获行为演变的长程关联。 - 神经编码与解码（Neural Decoding）
通过逆向映射（如线性滤波器、贝叶斯方法）从群体神经元放电模式中提取运动意图，常用于脑机接口（BCI）的实时预测。 - 逆强化学习（Inverse Reinforcement Learning）
从专家演示中推断潜在奖励函数，从而预测受试者在复杂环境下的行为策略，尤其适合帕金森病患者的步态规划建模。 - 图神经网络（GNN）与多模态融合
将脑区连接性（功能网络）与行为特征嵌入图结构，预测个体在社交互动或认知任务中的异常模式。 - 可解释性归因（SHAP/Gradient-based）
提供预测结果的神经生物学可解释性，避免黑箱模型误导临床决策。
医学/神经科学应用场景：脑卒中后上肢功能恢复预测
以首都医科大学宣武医院神经病学团队为代表的临床研究，利用多模态数据（fNIRS脑血流动力学、患侧肌电信号、临床量表）构建行为预测模型。具体流程：
- 采集脑卒中患者急性期（发病后7天内）的双侧运动皮层激活差异，结合Fugl-Meyer评分。
- 采用时序注意力网络（Temporal Attention Network）对康复训练前6周的上肢运动轨迹进行编码，输出“恢复潜力指数”（RPI）。
- 模型可在患病第3个月准确预测患者是否达到独立抓握（AUC>0.85），从而指导个性化康复强度与神经调控靶点（如rTMS刺激部位）的选择。该框架在首都医科大学牵头的多中心临床试验中验证，显著降低无效康复的医疗资源浪费（J. Neural Eng., 2023）。
