Neuro-MoBRE：通过显式异质性解析探索多受试者多任务颅内解码
信号处理
2025-08-07 v1
摘要
神经生理解码是推进脑机接口 (BCI) 技术的基础，已从深度学习的最新进展中显著受益。然而，现有的解码方法很大程度上仍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泛化能力。创建大规模神经生理基础模型的努力已展现出前景，但由于不同受试者和解码任务之间普遍存在的数据异质性，仍面临重大挑战。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缩放成功。在这里，我们引入了脑区专家混合 (Neuro-MoBRE)，这是一种明确设计用于管理神经生理建模中普遍存在的数据异质性的通用解码框架。Neuro-MoBRE 结合了脑区-时间嵌入机制和混合专家方法，在统一嵌入的基础上将来自不同脑区的神经信号分配给专门的区域专家，从而显式解决结构和功能异质性。此外，我们的区域掩码自编码预训练策略进一步增强了受试者之间的表征一致性，并辅以任务解耦信息聚合方法，旨在有效处理特定任务的神经变化。在 11 名受试者执行五项不同任务（包括复杂语言解码和癫痫发作诊断）的颅内记录上进行的评估表明，Neuro-MoBRE 超越了现有技术，并在对未见受试者的零样本解码中表现出稳健的泛化能力。
引用
@article{arxiv.2508.04128,
title = {Neuro-MoBRE: Exploring Multi-subject Multi-task Intracranial Decoding via Explicit Heterogeneity Resolving},
author = {Di Wu and Yifei Jia and Siyuan Li and Shiqi Zhao and Jie Yang and Mohamad Sawan},
journal= {arXiv preprint arXiv:2508.04128},
year = {2025}
}