REALM：面向局部场电位建模的回顾性编码器对齐
REALM: Retrospective Encoder Alignment for LFP Modeling
皮层内脑机接口若记录锋电位，高采样率带来功耗和带宽负担，而局部场电位更稳定、能耗更低，但解码准确率偏低且常用非因果架构。作者提出 REALM，先用连续掩码自编码在多会话数据上预训练双向 Mamba-2 教师模型，再把其表征蒸馏到紧凑的因果学生模型。在无标签和微调两种流程中，REALM 的平均准确率均高于各对比解码器，包括 CrossModalDistill，且参数量不到其已发表学生模型的一半，预训练时间为其十分之一。该工作为预印本，尚未经同行评审。
arXiv:2605.14867v4 公告类型：replace-cross 摘要：脉冲活动一直是行为解码的主要神经信号，因为其高时空分辨率支持精确解码。然而，随着皮层内脑机接口（iBCIs）向更高通道数和无线操作发展，记录脉冲所需的高采样率带来了巨大的功耗和带宽需求。局部场电位（LFPs）具有互补优势，包括更高的长期稳定性、更低的能耗和更低的带宽需求。然而，基于 LFP 的解码器通常精度较低，且依赖无法直接用于实时部署的非因果架构。我们提出 REALM，一个用于因果 LFP 行为解码的回顾性知识蒸馏（RKD）框架。受语音识别中离线到在线蒸馏的启发，REALM 将来自预训练、多会话双向 LFP 教师的非因果表征知识迁移到因果学生模型。我们首先使用连续掩码自编码（CMAE）在多个记录会话上预训练一个双向 Mamba-2 教师，然后使用表征对齐和自编码的组合目标将其表征蒸馏到一个紧凑的因果学生模型。REALM 在无标签和微调流程中均取得了所比较解码器中最高的平均精度，相对于每个基线（包括最先进的 CrossModalDistill）均有统计学显著提升。它在预训练、蒸馏和解码全程仅使用 LFP，参数量不到 CrossModalDistill 已发表学生模型的一半，预训练时间仅为其十分之一。这些结果表明，仅使用 LFP 的因果模型可以达到与非因果多模态模型相当的解码精度，为下一代无线和植入式 iBCIs 提供了一种实用且可扩展的方法。
中文由 AI 翻译，仅供参考，以原文为准。
来源：arXiv q-bio.NC 预印本 · arxiv.org