BrainStratify：颅内神经动力学的由粗到细解耦
信号处理
2025-05-28 v1 计算与语言
神经元与认知
摘要
直接从神经活动中解码语音是脑机接口（BCI）研究的核心目标。近年来，随着颅内场电位记录（如立体脑电图和皮层脑电图）的日益使用，取得了令人振奋的进展。这些神经信号捕获了丰富的群体级活动，但也带来了关键挑战：任务相关的神经信号在 sEEG 电极间稀疏分布；在 sEEG 和 ECoG 中，它们通常与任务无关的神经信号纠缠在一起。为了应对这些挑战，我们引入了一个统一的由粗到细神经解耦框架 BrainStratify，包括：通过空间上下文引导的时空建模识别功能群组；使用解耦乘积量化（DPQ）在目标功能群组内解耦不同的神经动力学。我们在两个开源 sEEG 数据集和一个（硬膜外）ECoG 数据集上评估了 BrainStratify，涵盖发声和语音感知等任务。大量实验表明，BrainStratify 作为一个从颅内神经信号解码语音的统一框架，显著优于以往的解码方法。总体而言，通过结合数据驱动的分层与神经科学启发的模块化，BrainStratify 为颅内记录的语音解码提供了一个鲁棒且可解释的解决方案。
引用
@article{arxiv.2505.20480,
title = {BrainStratify: Coarse-to-Fine Disentanglement of Intracranial Neural Dynamics},
author = {Hui Zheng and Hai-Teng Wang and Yi-Tao Jing and Pei-Yang Lin and Han-Qing Zhao and Wei Chen and Peng-Hu Wei and Yong-Zhi Shan and Guo-Guang Zhao and Yun-Zhe Liu},
journal= {arXiv preprint arXiv:2505.20480},
year = {2025}
}