REALM：用于 LFP 建模的回溯编码器对齐

由于其高时空分辨率，脉冲活动一直是行为解码的主导神经信号。然而，随着脑机接口（BCI）向高通道数和无线操作发展，脉冲信号的高采样频率因高功耗和带宽需求而成为瓶颈。局部场电位（LFP）代表了与脉冲相比不同时空尺度的脑活动，提供了关键优势，包括改善的长期稳定性、降低的能耗和更低的带宽需求。尽管有这些益处，基于 LFP 的解码模型通常准确率较低，且往往依赖于不适合实时部署的非因果架构。为了应对这些挑战，我们提出了 REALM：一个实现因果 LFP 解码的回溯蒸馏框架。受语音识别中离线到在线蒸馏策略的启发，REALM 将预训练的多会话双向 LFP 模型的表征知识迁移至用于实时部署的因果版本。我们首先使用掩码自编码目标预训练一个双向 Mamba-2 教师模型。然后，我们通过表征对齐和任务监督的组合目标，将该教师模型蒸馏为一个紧凑的学生模型。REALM 在行为解码上始终优于基于 LFP 的因果和非因果 SOTA 方法。值得注意的是，我们的 REALM 在将参数量减少 $2\times$ 和训练时间减少 $10\times$ 的同时，提高了解码性能。这些结果表明，回溯蒸馏有效地弥合了离线与实时神经解码之间的差距。REALM 表明，仅依赖 LFP 的模型可以在不依赖脉冲信号的情况下实现具有竞争力的解码性能，为下一代无线植入式 BCI 提供了一种实用且可扩展的替代方案。