2025_NIPS_CRRL: Learning Channel-invariant Neural Representations for High-performance Cross-day ...
文章核心总结本文提出CRRL(Channel Rearrangement and Reconstruction Learning)框架,用于解决脑机接口(BCI)跨天解码中神经信号的通道级变异性问题,实现长期稳定解码。核心创新在于通过两个专用模块分别处理神经元丢失/新增、电极漂移两类变异,在多数据集上达成超两个月的state-of-the-art性能,且可作为插件增强现有方法。主要内容研究背景:BCI在运动/语言康复中潜力巨大,但神经信号的通道级变异性(神经元丢失/新增、电极漂移)导致跨天性能不稳定,需频繁校准。现有方法局限:传统流形对齐依赖稳定通道、领域自适应泛化不足、大规模预训练成本高。CRRL框架:通道重排模块(RA):通过排列网络和Sinkhorn-Knopp算法,对齐不同天数的通道信号,处理电极漂移。通道重建模块(RC):基于通道的VQ-VAE,修复缺失神经元信号,同时优化时域和频域重建。实验验证:在模拟数据集和7个真实数据集(2个人类、5个猴子)上验证,跨天解码(最长超65天)性能显著优于Stabilizedbci、Cycle-GAN等基线方法,且可作为插件提升现有领域自适应方法性能。创新点
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2501508.html
如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!