脑机百科消息(bciwiki.com)，新加坡国立大学、比利时鲁汶大学和麻省理工学院研究人员提出ATEMPO，用于筛选时间序列间具有预测价值的信号时滞。稿件于2026年10月27日在arXiv公开，在三个神经活动基准任务中，所选时滞的平均决定系数R²比最强竞争基线相对提高4.1%。
该方法基于传递熵，在已知目标信号自身历史的基础上，衡量来源信号的历史还能提供多少额外预测信息。ATEMPO采用扩散模型，在训练时抽取不同的来源和条件历史深度，并显式纳入时间位置，使单个得分网络无需重新拟合即可估计完整的传递熵曲面，再通过曲面差分识别信息到达的时滞。这种预测信息关系不等同于因果关系。
在具有真实传递熵值的合成数据集上，ATEMPO在所比较的基线方法中取得最低平均相对误差；在具有已知时滞的数据集上，时滞检测准确率为0.98±0.04。对于来源历史深度K=6、目标历史深度L=3构成的K×L网格，ATEMPO只需拟合一次，而现有估计器需要分别拟合18次。在三个时滞随时间变化的系统中，ATEMPO是所比较估计器中唯一在所有已评估窗口长度下均保持完全准确时滞检测的方法。
在三个采用既有猴实验数据的Neural Latent Benchmark任务中，使用ATEMPO所选时滞取得最高或并列最高的R²，即衡量模型预测拟合表现的决定系数；平均R²相比最强竞争基线提高4.1%。这一结果支持的是所评估任务中的预测性能提升，不能据此认定脑机接口已获得临床疗效改善。