framework/docs/archive/FRAMEWORK.md

超维度脑域数据集框架

方法节见 FRAMEWORK_METHODS.md（可直接用于论文）；本文是设计与产物说明。

桶：hf://buckets/illusion-brain/brain-domains 索引：/domains/framework/framework_index.parquet、framework.json 构建器：/domains/scripts/build_framework_index.py

---

一、为什么不是一个张量

这个框架的形状由三条实测结论决定，不是设计偏好：

1. 标签不是生成因子。 把 region / source / species / domain 投影到活动矩阵上， ‖Π_label X‖²/‖X‖² = 0.05%（exp48）。标签接近正交于数据流形，是外部贴上的元数据。
2. 五层不是链，是偏序。 最长链长度为 0（exp47）；Π 算子只在 source × region、 species × region 这类组合上可交换，domain 与任何属性都不可交换。
3. 笛卡儿积 91.4% 是空。 理论 1680 个组合只存在 144 个。空不是缺数据，是结构上不可能。

由此推出的硬约束：结构层能并，活动层不能并。把不同数据集拼成一个 N × D 矩阵， 或把标签当作张量的轴，都会退化成 OmniBrain 那种 (n_win, 64, 8)——707 个单元压到 64 维、 EEG 63 通道补到 64 通道。那是压扁，只是从二维变成了三维。

二、三层对象

L0  成员层   X_m ∈ R^{d_1 × … × d_{k_m}}      阶数 k_m 因成员而异，2 ≤ k_m ≤ 4
L1  结构层   B = (species, modality, region, domain) 偏序；只提供键与空洞
L2  不变量层 z_m ∈ R^p                        每个成员/每个切片的动力学标量

• L0 不补零、不共享单元轴。每个成员用自己的 Φ_m 从原始数据构造。
• L1 不进入活动张量。它只回答"哪些成员可以按什么键连接"，以及"哪些组合声明为空"。
• L2 是唯一允许跨成员比较的层。它不要求共享单元轴，只要求同一族估计量： τ、参与率、谱斜率、有效维度、放电率。**键只能是 source/species/modality/session， 不能是 region/domain**——exp63 已实测：33 个脑区的 τ 差异在区组置换下 p=0.386， 脑区不组织这一层的任何量。

"超维度"的含义就在 k_m 不齐：容器的 rank 由成员决定，不预设。索引里 rank 从 1（扁平 ragged 数组）到 4（THINGS-EEG 四轴）都有。

三、不同的数学构造（Φ）

construction	作用	是否含 padding
counts_native	整数计数，不重采样	否
counts_native_nwb	NWB 原始格式，未转换	否
ragged_index_family	offset + n_elements 索引族，bin_ms 逐行	否
pca_gram_pad64	逐 session Gram PCA → 64 维	是（不足 64 补零）
identity_pad64	63 电极 → 64	是
graph_propagation_64	图信号传播 → 64 维，不读标签	否
graph_native	节点特征表	否
eeg_native	(trial, channel, time)	否
eeg_4d_native	(image, repetition, channel, time)	否
mixed_views	多来源混合（含 padding 视图）	部分

padding 必须显式标出来。用 padding 视图做的任何结论，都要在卡片里注明它和原生成员的 差别——这正是 OmniBrain 当初被误读为"跨物种可比"的原因（EEG 第 64 通道是补零）。

四、连接规则

层	可以做什么	不可以做什么
L1 结构	按物种/模态/解剖区 join；声明空组合	把 join 结果当成活动对齐
L0 活动	成员内部任意分析；同成员跨 session 用索引族	跨成员拼 unit 轴；跨成员比较单个单元
L2 不变量	跨成员比较 τ / 维度 / 谱斜率	用 region/domain 当分组键

L1 已落地：structure.parquet + joins.json

结构层不再只是上面这张表，而是两个可查询文件（构建器 build_l1_structure.py）：

• **structure.parquet**：244 行，四个层级 —— unit 73 组（steinmetz）、segment 4 组 （counts_v4）、window 143 组（omnibrain_multi）、node 24 组（flywire）。 每行带 source/species/modality/region/region_kind/domain_l1 与计数。
• **joins.json**：8 个键的 join 合法性，按语义判定而不是按列名。

键	可跨成员 join	词表	成员内去重值个数
source	是	shared	1 / 1 / 2 / 4
species	是	shared	1 / 1 / 2 / 3
modality	是	shared	1 / 1 / 1 / 2
region	部分	multi_vocabulary	3 / 24 / 33 / 73
domain_l1	部分	multi_vocabulary	3 / 6 / 13
unit	否	—	跨成员的 unit 不是同一个神经元
window	否	—	派生采样单位，stride 与长度不同
trial	否	—	试次编号无共同含义

region 是 partial 而不是 yes：小鼠是 Allen 区名（73 个，unit 级）、猕猴是 Brodmann 区 （S1/PFC）、FlyWire 是 24 个 super_class，三套词表不能直接相等。omnibrain-multi 的映射状态（1,409,850 行）： unassigned 821,600（58.3%，EEG 无解剖区，不可修）；有解剖标签的 588,250 行中， 精确 273,989（46.6%）——exact 16,199 + exact_single_species 257,790； compound 168,048（28.6%，几乎全是猕猴的 M1_PMd）； 粗粒度/上卷/任务码重释 122,390（20.8%，其中 task_code_reinterpreted 86,851 是把人类颅内电极 按任务码判成 M1，不是解剖定位）；uberon_missing 23,823（4.1%，SCig/APN 等无 UBERON 节点）。

空洞率按这次用的轴重算：source × region × domain_l1，理论 3×33×6 = 594，实测 140 种， 76.4% 为空。这与 §六 的 91.4% 不是同一个数——后者是 exp47 用 source × modality × region × domain 四轴、1680 个组合算的。两个都成立，但不能互相替代。

region 不是一个可比的键，而是五种强度的证据。structure.parquet 新增 region_confidence：

region_confidence	含义	覆盖（按层级，不可跨层求和）
anatomical	解剖定位且有本体节点	steinmetz 24,029 单元；multi 273,989 窗；counts_v4 2 段
anatomical_unmapped	解剖定位但无 UBERON 节点	multi 23,823 窗（SCig/APN 等）
inferred	由任务码推定，非解剖定位	multi 86,851 窗（人类颅内电极 → M1）
compound	一个标签覆盖多个区	multi 168,048 窗（M1_PMd）
coarse	粗粒度或上卷	flywire 107,265 节点；multi 35,539 窗（其中 19,019 已解析到父区，16,520 为 PL 上卷）
none	无解剖标签	multi 821,600 窗（EEG）

粗标签的解析：structure.parquet 另有 region_resolved 与 region_resolution 两列。 DMFC → PFC（13,292 窗）与 Area2 → S1（5,727 窗）被标为 parent_rollup，其余 152,300 行为 as_labeled。注意这是解析到父区，不是提升精度：DMFC 与 Area2 本身已是具体解剖名，缺的是 UBERON 节点；映射到 PFC/S1 的价值是让两种编码（multi 与 counts_v4）能对到同一个父区。 region_confidence 仍保留 coarse，不因为解析而升级。

另一个正交维度：标签的归属粒度。 structure.parquet 还有 region_assignment：

region_assignment	含义	覆盖
per_unit	每个单元一个真实解剖标签	steinmetz 24,029
per_segment	每个片段一个标签	counts_v4 175
per_node	每个节点一个标签	flywire 107,265
window_area	上游 area 列逐窗给出	multi 1,095,518（含 EEG 的无区行）
session_majority	整场主导区	multi 小鼠 314,332

session_majority 的准确性实测（39 个 session）：主导区占比中位 **26.6%（p10 20.0%，p90 36.9%）， 按单元加权只有 27.1% 的单元被标对 —— 72.9% 的单元被归到自己并不在的区。 仅 9/39 个 session 的占比 ≥30%，3/39 ≥40%，0/39 ≥70%**。

region_confidence 与 region_assignment 是两个正交维度：前者问"标签映射得准不准"， 后者问"标签贴到了哪些单元上"。omnibrain_multi 的小鼠窗口两者分别是 anatomical 与 session_majority —— 精确的标签贴在了错的单元上。因此区级分析只能使用 region_assignment == 'per_unit' 的数据（steinmetz 的单元表），multi 的小鼠窗不可用于区级结论。 这也正是 exp62「前额叶 1473 ms」的成因：把整场的 τ 记在主导区名下，而主导区平均只占 26.6%。

区身份用 Allen MBA id，不用 UBERON。 实测 73 个小鼠区经 Allen StructureGraph → MBAO → UBERON：

结果	区数	说明
unique	12（16.4%）	UBERON 与区名一一对应，可作跨物种锚点
collision	49（67.1%）	多个区共用一个 UBERON，粒度到共同祖先
unmapped	12（16.4%）	Allen 有结构但无 UBERON 命中

碰撞的规模：19 个区（AUD/CA/DG/MOs/PL/SUB/TH…）共用 UBERON:0002616；9 个（ACB/BLA/COA/LS…） 共用 UBERON:0009663；8 个（CL/LD/LGd/LP/MD/VPL/VPM…）共用 UBERON:0015233。

还有假阳性风险：直接按缩写查 UBERON，APN 会命中 UBERON:0035567 accessory pretectal nucleus， 而 Allen 的 APN 是 anterior pretectal nucleus（正确为 UBERON:0002565）。SCig、M1_PMd 缩写 0 命中。 必须先走 Allen ID。

因此 structure.parquet 新增 allen_mba_id（72/73 个区有，unknown 无）作为区身份； uberon_id_unique 只在 12 个唯一映射上给值；其余由 region_uberon_status 标 collision / unmapped。 映射表在 framework/allen_region_map.csv，构建器 build_allen_uberon.py + finalize_allen_map.py。

上游文件与其许可：Allen structure_graph_download/1.json（638 KB，Allen Terms of Use）、 mbao.obo（3.2 MB，CC BY 4.0）、nervous-minimal.obo（3.0 MB，CC BY 3.0）。

猕猴：M1_PMd 可逐 unit 拆分（窗级不可）。 上游是 DANDI 000070（Churchill 2012），6 个 session 与桶内一致、每个 192 units；electrodes/location 为 96 × "Pre-Motor Cortex, dorsal" + 96 × "M1 Motor Cortex"，6/6 session 都是 unit id 0–95 = PMd、96–191 = M1。 桶内 unit_idx 保持 NWB 原序（逐 unit 计数 Spearman = 0.9712，打乱零分布 p95 = 0.139）， 所以可按位置回贴。framework/macaque_unit_region.csv 给出 13,126 个单元的标签 （PMd 6,432 / M1 6,432 / S1 114 / DMFC 148）。 但 omnibrain_multi 的窗是 64 维 PCA 投影，窗级无法事后拆分，只有单元级可拆； 因此多出来的 168,048 个 M1_PMd 窗在 L1 里仍是 compound，不能当区级样本。

area2-bump 的 S1_M1 是误标：其 electrodes 全为 "S1 Area 2"，不含 M1。

人类颅内：不可恢复。 两个 DANDI 数据集（000950 / 000954）的 NWB 里 没有 /general/extracellular_ephys，连 ephys 模块都不存在；FALCON 的 preproc/h2_preproc.py 从头重建 NWB，只挂 Subject / trials / binned_spikes，电极表在发布阶段被构造性丢弃 （create_electrode_table 从未调用）。H2 只能从描述读到"左手中央前回 hand knob"，H1 连半球都未记录。 因此那 86,851 个 inferred 窗无法转成解剖定位，只能保持"整阵列级推断"或整体排除。

单元级区登记表 unit_region_registry。 37,155 行 = 小鼠 24,029 + 猕猴 13,126， 每行一个单元，字段：member / species / slice / unit_idx / region_label / region_assignment / region_confidence / allen_mba_id / region_uberon_status / uberon_id_unique / label_source / source_file。

• 小鼠：label_source = allen_acronym，72/73 个区有 Allen MBA id（unknown 无）。
• 猕猴：label_source = dandi_000070_electrodes，PMd 6,432 / M1 6,432 / S1 114 / DMFC 148。
• 全部 region_assignment = per_unit、region_confidence = anatomical。

这是框架里唯一"每个单元都有真实解剖标签"的表，区级分析只用它。omnibrain_multi 的窗 （小鼠是 session_majority、其余是 PCA 投影）不进入这张表，也不应用于区级结论。 verify_framework.py 把它的行数、唯一键与每成员区分布列为检查项（当前 101 项全过）。

过滤规则（写进 joins.json 的 recommended_filter）：跨成员/跨物种比较只用 region_confidence == 'anatomical'；inferred 与 compound 必须在图注里单列，不能混进主分析。 coarse 只可用于成员内分层，不可当解剖节点。

一处缺口：primate_human_eeg/trials.parquet 没有 region 列（只有 subject/split/session/ trial_idx/label/text），所以 EEG 在结构表里只以 unassigned 出现，没有解剖节点。

五、索引（对象级）

framework_index.parquet 的一行是一个对象（某成员的某种键/形状组合），不是一个目录。 同一成员目录里可能同时存在窗口张量、载荷矩阵、图嵌入，阶数不同，必须分开登记。

14 个成员、326 个对象。rank 分布：2 阶 190、3 阶 128、4 阶 4、1 阶 4（含 NWB 的 ragged spike_times）、0 阶 0。 "对象行"指索引里的一行；形状相同的文件已合并，文件数记在索引的 n_files 列。

member	obj	rank	对象行	shape family	axes
steinmetz	spikes	2	39	205–1240 × 52955–81668	unit | time
steinmetz	units	2	1	24029 × 6	unit
primate_macaque_nlb	spikes	2	16	40–192 × 3425–120234	unit | time
primate_macaque_nlb	units / segments	2	2	1360 × 6 / 72 × 8	unit
primate_human_eeg	eeg	3	2	200–1500 × 63 × 250	trial | channel | time
primate_human_eeg	trials	2	1	32000 × 7	—
primate_dmfc_rsg	units/obs_intervals+spike_times	1	1	NWB：区间 + 稀疏 spike_times（2 文件）	spike_time
omnibrain_spike_view	windows	3	38	6618–10207 × 64 × 8	window | component | bin
omnibrain_spike_view	comps / mu / sd	2	117	64 × 205–1240 等	component | unit
omnibrain_spike_view	meta	2	1	314332 × 5	—
omnibrain_spike_view_macaque	windows	3	11	170–6010 × 64 × 8	window | component | bin
omnibrain_spike_view_macaque	meta	2	1	187067 × 7	—
omnibrain_spike_view_human	windows	3	75	64–2499 × 64 × 8	window | component | bin
omnibrain_spike_view_human	meta	2	1	86851 × 8	—
omnibrain_eeg_view	windows	3	1	32000 × 64 × 8	window | component | bin
omnibrain_eeg_view	P / meta	2	2	64 × 63 / 32000 × 7	—
omnibrain_eeg_view	ch_l1 / ch_names	1	2	63 / 63	—
omnibrain_graph_view	embeds / meta	2	2	139255 × 64 / 139255 × 4	node | embedding
omnibrain_multi	timeseries	3	1	1409850 × 64 × 8	window | component | bin
omnibrain_multi	index_timeseries	2	1	1409850 × 19	—
omnibrain_multi	graph / index_graph	2	2	139255 × 64 / 139255 × 10	—
omnibrain4d_eeg_test	eeg / band	4	2	200 × 80 × 63 × 250 / × 5	image | repetition | channel | time
omnibrain4d_eeg_test	meta	2	1	160000 × 6	—
omnibrain4d_eeg_train	eeg / band	4	2	16540 × 4 × 63 × 250 / × 5	image | repetition | channel | time
omnibrain4d_eeg_train	meta	2	1	661600 × 6	—
flywire	node_features	2	1	107265 × 22	node | feature
counts_v4_ragged	counts_ragged	1	1	998102320（扁平）	flat
counts_v4_ragged	counts_index	2	1	175 × 20	—

核查结果：一条真缺陷、两条我的误报、一条模型判断错误

这四条最初是从「对象行数」读出来的，逐条实测后只有第一条成立：

1. omnibrain_multi/labels.json 过期（真缺陷，已修）：原写 620,250 个样本，索引实际 1,409,850。差异全在 human_eeg：标签里 32,000（只含 test），索引里 821,600 （test 160,000 + train 661,600）。已按 index_timeseries.parquet 重写，原值记进 provenance，schema 升至 1.2。
2. spike_view 少一个 session（误报）：实际有 39 个 windows 文件、会话号 0–38 无缺号。 索引里的"38"是因为两个 session 的窗口形状相同 (6901, 64, 8)，被合并成一条对象记录； 索引的 n_files 列是 2，我读成了对象行数。
3. 猕猴视图不完整（误报）：实际有 72 个 windows 文件、0–71 无缺号。索引只显示 11 条 对象记录，因为 72 个文件只有 11 种不同形状（例如 15 个文件都是 (2447, 64, 8)）。
4. primate_dmfc_rsg 的阶数（模型判断错误，已修）：NWB 内最大的二维数据集是 units/obs_intervals（11320×2 / 324×2），说明它是「观测区间 + 稀疏 spike_times」， 不是 (trial, time, unit) 致密张量。索引已改为 rank 1 / spike_time。

另清掉一个真残留：primate/human_eeg/eeg_sub-01_train.npz.tmp.npz （双扩展名，所以第一次 *.tmp 的 glob 没匹配到）。

教训：对象行数不是文件数。索引里一行 = 一种 (key, shape) 对象类，n_files 才是文件数； 同形状的不同 session 会合并。读索引时必须同时对 n_files 求和。

六、这个框架已经排除的解释

结论	证据
标签不能当轴	Π_label 0.05%（exp48）；poset 最长链 0（exp47）
脑区不组织 τ	33 区 / 203 格，区组置换 p=0.386；35 对同 session 成对比较 0 对过 FDR（exp63）
跨物种 τ 不可直接排序	小鼠 497 / 猕猴 446 / 人类 183 ms，但无一对"同物种同技术"（exp62）
形状不统一	小鼠 36% session 更适合幂律，猕猴/人类 0%（exp62）

这些不是"负面结果"，而是构造约束：它们决定了 L2 的合法键，也决定了 L1 里哪些 join 是空的。

重建后的护栏：verify_framework.py

任何一次重建后跑一次，35 项对账必须全过，否则说明产物之间已经漂移：

python /domains/scripts/verify_framework.py     # 失败返回非零

它检查 11 组、共 101 项：A 索引（14 成员 / rank 合法 / rank>=2 必有 shape）、 B 结构（四个层级 / 各成员总数 24,029 / 175 / 1,409,850 / 107,265 / 三个标签维度取值合法）、 C L2（605 行 / 13 成员 / counts_v4_ragged 不在 / (member,slice) 唯一 / tau_available 与 tau_status 一致 / 状态分布逐项）、D decay（是 L2 的子集 / status=ok 必有值 / dmfc 四个量齐全 / 尖峰 111 切片）、D2 单元区登记（37,155 行 / 唯一键 / 小鼠 72/73 有 Allen id / 猕猴 PMd+M1 各 6,432）、E joins（8 键 / region 为 partial / 空洞率在 (0,1)）、F–H 质量轴的三次尝试（每条都带「不许自欺」的护栏）、 I 索引与文档（schema 1.2 / 41 张表 / framework/ 无漏登 / 行数与字节数与实文件一致）、 J 来源 pin（12 条 / 无 broken / falcon-code 必须 commit + 双 blob）、 K L3 检索层（1,059 行 / 唯一 unit_id / 示例命中数与 catalog 对账）。

区级结果（用逐单元真标签重算，l2_region_invariants.parquet）

猕猴 PMd vs M1（67 个片段，同一阵列内各 96 单元，等样本量）：

	PMd	M1	比值	95% CI	一致性
rho_half_ms 中位	623.0	496.4	1.20×	1.15–1.28	64/67 个片段 PMd 更长，符号检验 p=6.8e-16，Wilcoxon p=1.4e-11

这是框架里第一个同会话、同阵列、等单元数的区级对比，不受 session 或单元数混杂。 但它是电极位置层面的对比：上游论文自己写明「M1-like neurons are frequently found in caudal PMd and vice versa」，所以只能读作「PMd 电极位 vs M1 电极位」，不能读作两种区类型的差异； 64/67 同向说明位置效应稳定，不说明细胞类型不同。

小鼠 68 个区、276 个 cell：rho_half 中位跨区从 90 ms（CA1）到 488 ms（MOs），约 5 倍。 区效应 R²(region|session) = 0.354，session 内置换 p = 0.0002（零分布 q50 = 0.225， q95 = 0.283）。注意零分布中位就有 0.225——68 个区拟合 276 个 cell 本身会带来大量过拟合， 真实超出量是 0.354 − 0.283，存在但不夸张。

区效应的脱钩检验（小鼠，276 cell / 68 区）

检验	结果
逐 cell Spearman(log ρ_half, log n_units)	+0.148，p=0.014
逐 cell Spearman(log ρ_half, log rate)	+0.033，p=0.59
session 内偏相关（n_units）	+0.169，p=0.0049
session 内偏相关（rate）	+0.088，p=0.14
R²(session)	0.204
R²(session + n_units + rate)	0.232
R²(session + 协变量 + region)	0.569
R²(region | session + 协变量)	0.337，置换 p=0.0007（零分布 q95=0.273）
跨区生态相关（中位 ρ_half vs 中位 n_units）	+0.318，p=0.059
跨区生态相关（vs 中位 rate）	+0.145，p=0.40
窄带 20–80 单元（148 cell / 52 区）	R²=0.405，p=0.134，零分布 q95=0.428

结论：放电率不是混杂（+0.03，p=0.59），调整后区效应依然存在（+0.337，p=0.0007）。 单元数解释了其中一部分（偏相关 +0.17，p=0.005；区级生态相关 +0.32，p=0.059），但控制单元数后 区效应仍显著。窄带 20–80 内不显著（p=0.134），但该检验只有 52 个区、148 个 cell，功效不足， **不能当作"无效应"**。

完整区表（36 个 ≥3 cell 的区，含每区中位单元数、放电率、ρ_half 与 session 聚类 CI）见 framework/region_table_full.csv。ρ_half 中位从 CA1 的 90 ms 到 VPM 的 1986 ms。

这与 exp62/exp63 的「脑区无效应」不矛盾，因为那是 τ 的结论。 τ 的 plateau 拟合只剩 50/780 个切片可用，且对零模型抽样敏感（10% 的格在重抽下翻倍）；换成不拟合曲线的 rho_half 后，同一批标签上的区效应是可以检出的。问题在估计量的可用性，不在「脑区无差异」。

七、L2 不变量表（已建）

/domains/framework/l2_invariants.parquet — 一行 = 一个成员的一个切片。

列：member, slice, kind, n_units, n_bins, bin_ms, rate_hz, pr, erank, spec_slope, rho1, snr, n_points, neg_frac, max_lag_ms, tau_ms, tau_status, tau_available, note

τ 不只需要"能算"，还需要"适用"。每个切片带一个状态位：

tau_status	含义
ok	rho 在 max_lag 内保持正平台、SNR≥3、拟合收敛
shape_not_plateau	rho 在 max_lag 内转负 —— plateau 模型本就不适用，拟合出的 τ 是外推
too_few_points	可用滞后 < 10
low_snr	rho[1]/noise < 3
fit_failed	拟合未收敛
inapplicable_whitened	通道间相关≈0，数据已白化，跨通道共享分量为零
not_estimable_8bins	时间轴只有 8 个 bin（800 ms），τ 不可估
static	无时间轴
too_short	时间轴过短

状态分布（605 行 / 13 个成员）：

tau_status	n
not_estimable_8bins	439
not_computed	2
shape_not_plateau	58
ok	50
inapplicable_whitened	31
not_estimated_4d	20
too_few_points	3
static	2

τ 只在 50 个切片上成立：

member	切片数	τ 可用	τ 中位 (ms)	p10–p90
steinmetz	39	33	987	306–3243
primate_macaque_nlb	72	17	1541	1073–1894
primate_human_eeg	31	0	—	通道间带符号相关 −0.0003…+0.019，判为已白化
其余 8 个成员	—	0	—	8 bin / 四轴未估 / 静态

PR / 有效秩 / 谱斜率（这些不要求时间轴，覆盖全部成员）：

member	PR 中位	有效秩 中位	谱斜率 中位
steinmetz	73.8	246.0	−0.804
primate_macaque_nlb	9.9	57.8	−1.079
primate_human_eeg	46.1	52.7	−0.351
omnibrain_spike_view	16.5	33.7	−0.996
omnibrain_spike_view_macaque	3.8	11.6	−1.298
omnibrain_spike_view_human	53.0	58.7	−0.365
omnibrain_eeg_view	13.4	20.4	−1.255
omnibrain4d_eeg_test	42.4	52.1	−0.449
omnibrain4d_eeg_train	49.4	55.7	−0.329
omnibrain_graph_view	63.9	64.0	−0.022
primate_dmfc_rsg	25.1	32.8	−0.557
omnibrain_multi	23.0	41.7	−0.831
flywire	1.4	1.9	−4.630

PR 的上限是参与协方差的维度（omnibrain 视图恒为 64，所以 PR≤64），跨成员比较只在同量纲内成立。

覆盖 13 个成员。 counts_v4_ragged 已从 L2 移除——它的 175 段是 steinmetz / macaque / human 的另一种编码（uint8 + offset/n_elements），保留会让同一批神经元被数两次。 它在 L0 索引与 L1 结构里仍有记录，只是不进入不变量层。

两个新补成员的细节（counts_v4_ragged 不再进入 L2）：

成员	行数	构造	备注
primate_dmfc_rsg	2	NWB → 共有 obs_intervals 拼接 → 20 ms 分箱	test 40 单元 / 23,875 bin，train 54 单元 / 240,440 bin；放电率 6.6–7.3 Hz；rho_half 165 / 333 ms，rho_zero 443 / 974 ms，pooled_acf_half 293 / 754 ms
omnibrain_multi	224	按 (source, group_key) 分组，每组最多 5,000 窗	8 bin 窗口，τ 与半衰均不可估，只贡献 PR/有效秩/谱斜率

模型无关的衰减尺度（补 τ 覆盖不到的切片）

τ 要求 plateau 形状，只覆盖 50 个切片。为此另加四个不拟合任何曲线族的量， 只找"曲线首次降到阈值"的滞后（线性插值），降不到就记 censored，不外推：

量	作用曲线	适用成员
rho_half_ms / rho_zero_ms	跨单元共享相关 ρ 降到 50% / 0	尖峰（小鼠 + 猕猴）
pooled_acf_half_ms / pooled_acf_zero_ms	汇总自相关 Σ_j ACF_j(l) / Σ_j ACF_j(0) 降到 50% / 0	所有有时间轴的成员

pooled_acf 取的是同一次 FFT 的对角项 dia/dia[0]，即和的比值（定义以这里为准），按各单元方差加权， 高发放单元主导。它不等于"逐单元 ACF 再平均"（比值的平均）：实测 lag 1 处 小鼠 0.268 vs 0.196、猕猴 0.085 vs 0.058。要做等权版本必须逐单元归一化，本表没有做—— 这是口径，不是误差。

量	小鼠	猕猴	人类 EEG	四轴 EEG
rho_half_ms 中位 (p10–p90)	365 (240–837) n=38	548 (384–1085) n=72	—	—
rho_zero_ms 可用 / censored	少（ρ 有正平台）	多	—	—
pooled_acf_half_ms 中位	568 (285–3895) n=35	438 (323–746) n=72	24.3 (20.6–45.3) n=31	22.6 / 22.4
pooled_acf_lag1 中位	0.264	0.385	0.759	0.653 / 0.671

覆盖：rho_half 有 110/111 个尖峰切片可用（τ 只有 50 个）；pooled_acf_half 有 158/162。

这三个数不能互相替代，而且它们给出的次序相反：

1. 共享相关衰减：猕猴 548 ms 比小鼠 365 ms 慢约 1.5×。用的切片是全部 72 个猕猴片段， 不是 τ 那 17 个形状合格的。这与 FINDINGS_MOUSE_50MS.md 里"两者都 400–500 ms"的 τ 结论不一致 —— 那个结论建立在 plateau 拟合上，而猕猴 55/72 的切片 rho 会转负， 本就不该用 plateau 外推。
2. 单单元自相关：小鼠 568 ms 反而比猕猴 438 ms 慢 1.3×。与上一条方向相反。
3. EEG 的 24 ms 是快衰减，不是 alpha。 alpha（约 10 Hz）在 ACF 上表现为 50–100 bin 处 的非单调回升（lag 50 时 0.295，高于 lag 20 的 0.168），"首次降到一半"只测到最前面的 快分量。要测 alpha 得换带通/谱峰，不能靠过零。

猕猴 vs 小鼠：先从单元数混杂里救出来

原始比较看起来是 1.50×，但两组的单元数分布完全不重叠（猕猴 ≤192，小鼠 ≥205）， 而猕猴的 rho_half 随单元数强上升（ρ=+0.44，p=1e-4；21–50 档 114 ms → 101–200 档 564 ms）， 小鼠基本平（ρ=−0.11，p=0.49）。所以原始差异不能直接归给物种。

匹配到 150 个单元后重算（每切片随机抽 150 单元，重复 20 次取中位）：

	小鼠	猕猴（churchland）	比值	95% CI	置换 p
rho_half_ms @150 units	362 (n=39)	564 (n=67)	1.56×	1.18–2.01	1e-4

差异没有消失。猕猴在 150 单元处的值（564）与它 101–200 档的原值一致，说明该量在此已饱和， 不是"多一个单元就多一截"。67 个可匹配切片全部来自 churchland —— 只有它到 192 单元。

未匹配的原始值保留作记录：rho_half 1.50× [1.07, 1.93]； pooled_acf_half 0.77× [0.57, 1.00] —— 后者两组的单元数档不重叠，不可用。

匹配档的敏感性（每档 12–20 次抽样取中位）：

每切片单元数 N	小鼠 (n=39)	猕猴 (n=67)	比值	95% CI	p
100	315.8	568.4	1.80	1.22–2.17	1e-4
150	361.7	564.3	1.56	1.19–1.98	1e-4
192	351.9	564.0	1.60	1.12–1.97	1e-4

猕猴在 564–568 ms 几乎不动（它的 67 个片段全部恰好 192 单元，N=192 时用满），小鼠随 N 从 316 升到 362。 比值落在 1.56–1.80，三档 CI 均排除 1。所以 1.56× 不是 N=150 的单点结果；但它也不严格单调 （150→192 有小幅回升，来自抽样噪声）。数据：framework/rho_matched_multi.parquet、multi_stats.json。

三条仍然成立的限制：

1. bin 宽 50 vs 20 ms；分箱只会把短半衰拉长，方向对结论保守。
2. 只有 churchland 能匹配，不能写"猕猴"。
3. 片段之间不独立，CI 偏窄。

可以写进论文的句子：在 churchland 数据上、单元数匹配到 150 后，跨单元共享相关的半衰比小鼠长 1.56 倍（95% CI 1.18–2.01）。

两个不能跨成员用的量

PR / 有效秩不是尺度无关的。 成员内 PR 与单元数的 Spearman：counts_v4 −0.64、macaque −0.44、steinmetz +0.51，符号相反；全局只有 +0.05 —— 辛普森悖论。另外我先前算的 pr_rel = pr / min(n_units, n_bins) 对窗口成员是错的：那些成员的样本数是 n_win × 8 而不是 8， 所以出现了 >1 的值。结论：PR 只能在同一成员内部比较，跨成员无效。 上面的 PR 表因此只是 "成员内描述"，不是不变量。

τ 的跨物种差异不显著：小鼠 987（n=33）vs 猕猴 1541（n=17），比值 1.56×， CI **[0.80, 3.52]**，置换 p=0.092。点估计与 rho_half 一致（都是 1.56×），但形状过滤后 只剩 17 个猕猴切片，功效不够。这也是主结论用 rho_half（110/111 覆盖）而不是 τ 的原因。

这张表确立的三件事

1. τ 不能跨全部成员比。 同一套 rho_curve 估计量只在 50 个切片上适用：小鼠 33、猕猴 17。 猕猴其余 55 个切片的 rho 在 max_lag 内转负 —— plateau 模型本就不适用，强行拟合得到的是外推值。
2. 人类 EEG 的跨通道共同分量已被白化抹掉。 63 个通道的带符号相关均值 −0.0003…+0.019， 正负相消。ρ（跨单元共享相关）对它无效；但时间结构仍在（通道平均后的单序列 ACF：lag1=0.95、50–100 bin 处回升；汇总口径的 pooled_acf_lag1 是 0.759）， 但那是另一个不变量，不能混进 τ 列。
3. τ 的绝对值不可引用。 同一估计量在 L2 得到小鼠中位 987 ms，exp62 得到 497 ms， 差异来自 usable 集合与零模型抽样（exp63 §10 已量化：10% 的格在重抽下翻倍以上）。 能比较的是同一批切片内的相对高低，不是毫秒数。

顺带查出的数据卫生问题：primate/human_eeg/ 里有一个 eeg_sub-01_train.npz.tmp 未清理的临时文件。

L2 的质量模型：有信号，但不能当过滤器

神经数据没有"干净/脏"的天然标签，质量只能用可复现性代理：同一 (session, region) 的单元 随机分两半、各算一次 τ，两半比值 ≤1.5 记为可复现。165 个 cell 可用，正例 87（52.7%）， 两半比值中位 1.45×、p90 8.68× —— 近一半切片换个半样本就换结论。

只用四个便宜特征（log n_units、rho1、pooled_acf_lag1、erank）做逻辑回归， 按 session 分组 5 折：AUC 0.644（sd 0.059），200 次标签置换的零分布 q95 = 0.608， p < 0.005；准确率 0.596 vs 多数类 0.527。但只用 rho1 单特征就有 0.626， 四特征合计只多 0.018。换一个标签（两半是否选中同一函数族）AUC 0.543、p = 0.275，无信号。

关键在耦合：quality_prob 与 rho1 的秩相关 +0.943，而高 rho1 的切片本来衰减就慢。 按 0.50 阈值过滤会保留 41% 的 cell，同时把 rho_half 中位从 285 ms 抬到 483 ms（1.69×）；

阈值	保留	rho_half 中位	相对不过滤
—	276/276	285.3 ms	1.00×
0.50	112/276	483.2 ms	1.69×
0.60	27/276	771.0 ms	2.70×

在 rho1 低/中分层内，高质量反而对应更短 rho_half（0.72× / 0.79×），方向都不统一。 所以这个分数只能作分层/加权变量，不能作估计 rho_half 前的硬过滤—— 否则会重犯本框架一直在防的那类选择偏差。产物：quality_model.json、slice_quality.parquet、 quality_bias.json；细节见 FRAMEWORK_METHODS.md §6 末。

换一条不依赖 rho1 的轴：也失败，但量清了上限。 第二次改用「跨 session 一致性」当标签 （同区其他 session 的 rho_half 中位做参照，比值 ≤1.5 记为一致），特征换成六个与 rho1 基本不共线的分箱量：单元数、放电率、零 bin 比例、Fano 因子、presence ratio、前后半段漂移。

项	值
样本	231 cell（36 区），一致 72 = 0.312
标签 vs rho1	−0.054（p=0.41），标签本身干净
按区分组 AUC	0.414（低于随机），置换 p = 0.89
标签分半可靠度	0.497
完美特征上限	AUC 0.723

实测 0.414 远低于上限 0.723 ⇒ 强效应可排除；标签可靠度只有 0.497 ⇒ 弱效应排除不了。 另需注明：数据是 50 ms 分箱计数、没有原始 spike times，ISI 不应期这类标准单元质量 指标在本数据上算不出来，这条轴本身受数据结构限制。

顺带查出一个更该被引用的数字：同一区跨 session 的 rho_half 在 log 尺度上的 SD 中位 0.772（≈2.2×）、q90 1.533（≈4.6×）；最稳 MB 0.25 / MOp 0.33，最散 SCs 2.79（≈16×）/ ILA 2.15 / CA3 1.74 / PL 1.60 / MOs 1.46。 这五个区的跨 session 离散度已经大到"按区引用中位数"没有意义。

换成员再试（猕猴）：先假成功，查下去是否定。 同一套方法搬到猕猴（PMd/M1 各 96 单元 × 67 个 churchland 片段），按片段分组 AUC 0.761、置换 p<0.005。三个信号否掉了它： 片段序号单独预测标签的 AUC 0.810（比模型还高）、只看前一半片段时掉到 0.586、 标签与 rho1 的相关从 −0.054 翻成 +0.398。

根因：67 个片段来自 6 个 session（Jenkins/Nitschke 不同日期），文件名序号按 session 成块， 用"同区所有片段"做参照等于把动物/日期差异当成质量。改成同 session 内参照 （5 个 session、128 cell）后：

项	值
留一 session AUC	0.524，置换 p = 0.42
session 解释 log rho_half 方差	R² = 0.593

三个成员、四条标签，全部为负。 但这一轮查实了两件影响既有结论的事：

• session 解释 59% 方差、中位跨 session 差 2.2 倍，但留一 session 后中位仍在 516–600 ms （全量 562，±8%），只用无漂移的 3 个 session 是 576.7 ms ⇒ "猕猴 vs 小鼠 1.56×"没被搅动。
• 同 session 内漂移只出现在 2/5 个 session（×3.42、×3.70）；而 PMd > M1 在 5 个 session 里全部 100%（64/64），中位比 1.208（1.044–1.419）⇒ 区间对比稳，绝对值才会漂。

八、下一步

1. 把 L2 不变量表建出来 已建（§七）；L2 质量模型 已建但受限（§七 末）： AUC 0.644 只比单特征 rho1 高 0.018，且与被估计量同向耦合，只能分层不能过滤； 换用跨 session 一致性标签 + 六个非 rho1 特征后再试一次，AUC 0.414（置换 p=0.89）， 距"完美特征上限 0.723"仍有大差距。两条路都堵死，除非能拿到原始 spike times。 后来拿到了（DANDI 上 range 读 /units/spike_times）：ISI 违反率可算， 但速率校正后 M1/PMd 的差距几乎不变（+0.0079 → +0.0078），仍不能当质量轴， 见 framework/isi_quality2.json。
2. 给每个成员补 Ψ_m（不变量提取器）与可逆性声明。
3. 索引里目前 padding 只在 construction 名称上体现，应提升为独立布尔列。
4. L0 的代码仓已 pin 到 commit + blob（falcon-code：770c9b9 + 两个 blob）；论文 6 篇里 5 篇有 PDF（其中 3 篇走 bioRxiv 预印本），只剩 dandi000070（2012 年，无预印本）没有 PDF。
5. L3 目前只有形式转换（窗口化 / PCA / 张量），没有语义改写；对神经数据是否该做语义改写尚未定论。