新架构APST实现跨会话脑机解码，冻结权重下速度R²达0.81
论文AI 评分 62/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对皮层内运动解码器跨会话性能退化问题，研究者提出APST架构。该模型在冻结全部网络权重的情况下，仅靠少量带标签校准试验即可适应新会话。其通过闭式计算的四维关联概况表征单元放电与行为关系，并以此调节集合注意力编码器与因果Transformer。在两只猴子的DANDI688测试集上，速度R²达0.78与0.81，远超仅用神经活动的变体（0.40与0.58），且媲美或超越经相同试验微调的RNN。在FALCON私有评估中，M1、M2、H1受试者的R²分别为0.65、0.42与0.44。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载跨会话解码退化难题
皮层内运动解码器在不同会话间常出现性能衰退，根源在于记录的神经元单元集合发生改变，且持续记录的单元其放电与行为的关联也会变动。现有主流应对策略通常在每个新会话更新网络权重，或依赖无标签神经活动，但这些做法无法直接揭示上述变动规律，且更新权重成本较高。
APST架构与关联概况
研究提出APST（关联概况条件化集合时序Transformer）。该模型利用少量带标签校准试验，通过闭式计算得出四维关联概况，以此概括各单元放电与行为的关联。这些概况随后被用于调节集合注意力编码器，该编码器能接纳任意数量与顺序的输入单元，其后接因果Transformer用于流式解码。核心优势在于适应新会话时完全冻结网络权重。
实验对比与性能表现
在两只猴子的DANDI688留出会话测试中，APST取得0.78与0.81的速度R²，而仅依赖神经活动的变体仅为0.40与0.58。同时，APST匹配甚至超越了在同等校准试验上微调权重的RNN。在FALCON私有留出评估集上，该模型在M1、M2和H1三个受试者上分别获得0.65、0.42和0.44的速度R²。论文已提交至ICASSP 2027。
为什么值得看
无需更新权重即可解决脑机接口跨会话信号漂移难题，大幅降低校准成本并提升解码稳定性。
微调
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。