PyHGF：基于预测编码的神经计算库及其在计算精神病学中的应用

PyHGF是一个开源Python库，实现了分层高斯滤波器（HGF）模型，该模型基于预测编码理论，为计算精神病学研究提供贝叶斯推理工具，帮助理解大脑处理不确定性的机制。本文将从背景、方法、应用、局限等方面展开介绍。

预测预测编码理论源于亥姆霍兹的"无意识推断"思想，21世纪初初被形式化为数学模型。其核心是大脑通过先验知识生成预测，用预测误差更新内部模型，且采用用分层结构（低层处理具体感官特征，高层编码情境意图）。HGF由Mathys等人22014年提出，将环境建模为为多层高斯随机游走系统，通过 variational推断近似后验分布，关键参数"精度权重"决定预测误差对状态�态更新的影响程度。

PyHGF作为纯Python库，提供简洁API和灵活的模型定义（自定义分层结构或预定义模型如二元/连续结果模型）。模型拟合支持最大似然估计或MCMC采样，内置分析工具可提取隐藏状态轨迹、预测误差序列等。技术上采用模块化设计，与NumPy、SciPy、ArviZ等生态系统集成，支持参数恢复测试验证模型可靠性。

PyHGF在计算精神病学中应用广泛：自闭症患者可能存在精度权重调节异常常；焦虑症患者表现出威胁学习偏差；精神分裂症可能涉及层级推理失调。实验示例包括强化学习任务（抑郁症患者学习速率率慢）、感知决策任务（分离感知敏感性与决策偏差）、眼动追踪（预测注视模式）等。

PyHGF的局限包括HGF模型的高斯假设可能简化环境动态，变分近似可能无法捕捉后验分布的多模态结构。未来方向包括支持更灵活的层次结构（非线性耦合）、集成深度学习组件处理高维输入、开发在线学习版本用于实时应用（如脑机接口）。

PyHGF将预测编码理论转化为实用工具，为理解大脑不确定性处理、学习机制及精神疾病提供定量框架。它不仅是软件包，更是进入预测大脑理论世界的入口，助力精神健康领域的机制研究与干预开发。