面向脑机接口的双时间尺度 Hebbian 累加器用于在线脑内电极解码

脑内电极解码器需要能够在严格的内存预算内持续适应神经信号的不稳定性。我们引入一种双时间尺度Hebbian累加器学习规则，用于脑内电极解码的脉冲神经网络，使其能够在序列长度为常数的情况下进行逐时刻在线监督更新，避免通过时间反向传播。该规则结合突触特异的快速和慢速可归因性痕迹、误差调制的三因子更新以及整数友好的RMS同调，无需自适应梯度优化器（Adam、RMSProp）或回放缓冲区。在两组灵长类动物脑内电极数据集上，该方法在MC Maze和Zenodo Indy上实现了$R \geq 0.81$和$R \geq 0.63$的Pearson相关系数，在序列长度为1000时，相对于BPTT实现了63%~86%的测量内存降低。封闭环仿真表明该方法能够在线适应神经干扰，能够从零开始学习，无需离线校准。