我们开发了一个混合神经血管框架，将训练好的神经网络与概率性血管模型相结合，研究压力和缺血如何塑造大脑认知功能。血管系统被表示为压力敏感的环状有向无环图（lDAG），该结构基于有向无环图（DAG）骨架并通过概率侧支增强构建。血管段通过马尔可夫过程（正常/收缩/阻塞）演变，其状态转移概率由全局压力信号ξ(t)调节。通过OR-聚合定点求解器计算该拓扑中的灌注量，并建立了充分收缩条件。认知任务由预训练的人工神经网络（ANN）和脉冲神经网络（SNN）模拟，其输出会根据局部灌注量动态调制。这种耦合在不改变突触权重的情况下产生任务级功能障碍，重现了缺血和压力诱导的异常特征：剂量与频率依赖的脆弱性、压力上升时的延迟崩溃、压力下降时的加速恢复，以及侧支循环增强的恢复力。SNN在短暂灌注下降期间进一步表现出延迟膨胀和去同步化现象。我们通过模拟特定认知障碍的预训练ANN/SNN验证了该框架的有效性，突出显示灌注限制如何导致记忆、视觉和执行控制功能缺陷。
可穿戴设备集成方面，通过心率（HR）/心率变异性（HRV）、皮肤电活动（EDA）、呼吸代理、皮肤温度和惯性传感器等消费级或研究级可穿戴设备获取的应力指数s(t)，可实时映射到血管应力驱动信号ξ(t)，从而实现野外可重复模拟。将调制的ANN/SNN与压力敏感的血管lDAG结合，该框架为人工智能系统提供了生物机制驱动的故障模型，是压力-脑卒中相互作用的可行模拟器，也是研究血管限制如何调控分布式认知的机制性工具。
【全文结束】
