基于局部敏感角度损失的深度度量学习用于神经尖峰信号的自校正源分离

神经生理学时间序列，如肌电信号和皮层内记录，通常由许多独立的尖峰源组成，恢复这些源可为基础生物系统提供根本性见解，或为人机接口提供神经信息。因此，源分离算法已成为神经科学与神经工程中日益重要的工具。然而，在噪声大或高度多变量的记录中，这些分解技术常产生大量错误，降低了人机接口应用的性能，且往往需要对尖峰时间戳的输出标签集进行昂贵的后验人工清洗。为同时满足自动化后验清洗与鲁棒分离滤波的需求，我们提出一种基于深度度量学习的方法，使用一种新颖的损失函数维持类内方差，从而构建出适用于标签清洗与新激活发现的丰富嵌入空间。随后，我们基于源分离的高密度表面肌电记录，利用人工 corrupted 的标签集验证该方法，即使在极端程度的特征相关与类别相关标签噪声下也能恢复原始时间戳。该方法使神经网络能够学会使用任意不完美的信号标注方法来准确解码神经生理学时间序列。