Neuro-MoBRE：基于显式异质性解决的多主体多任务脑内解码

神经生理解码是推动脑机接口（BCI）技术发展的基本任务。近期深度学习的进展显著提升了神经解码效果。然而，现有的解码方法大多局限于单任务场景和单个受试者，限制了其更广泛的适用性和可推广性。旨在创建大规模神经生理基础模型的努力虽前景光明，但仍面临因主体间和解码任务之间的显著数据异质性而导致的挑战。仅仅增加模型参数和数据集大小而不显式解决这种异质性，无法复制自然语言处理中看到的规模成功经验。为了解决这些问题，我们引入了神经混合脑区专家（Neuro-MoBRE），这是一个专为管理神经生理建模中普遍存在的数据异质性而设计的通用解码框架。Neuro-MoBRE 集成了脑区-时间嵌入机制和混合专家方法，将来自不同脑区的神经信号分配给统一嵌入基础上的专门化区域专家，从而显式解决结构性和功能性异质性。此外，我们的区域掩码自编码预训练策略进一步增强了不同主体之间的表征一致性，并辅以一种量身用于有效处理任务特定神经变异的任务解耦信息聚合方法。我们在来自 11 名受试者的电内记录数据上进行了评估，这些数据涵盖包括复杂语言解码和癫痫发作诊断在内的五种多样化任务。评估结果表明，Neuro-MoBRE 超越了现有方法，并在对未见主体的零样本解码中展现出稳健的泛化能力。