面向异构颅内记录的齐次词汇音调解码

脑机接口 (BCI) 的近期进展使从颅内记录中解码词汇音调成为可能，为言语受阻的音调语言说话者恢复沟通能力提供了潜力。然而，由生理因素和仪器因素引起的数据异构性，构成了统一侵入性音调解码的重大挑战。传统的主题特定模型基于异构解码范式，无法捕获普遍的神经表征，也无法有效利用跨主题的数据。为此，我们提出一种新型框架——Homogeneity-Heterogeneity Disentangled Learning for neural Representations (H2DiLR)，用于从多个主题的颅内记录中解离并学习异构性与同质性。为评估 H2DiLR，我们收集了来自多个受试者的立体电脑脑电图 (sEEG) 数据，来自阅读中文材料的受试者，包含 407 个音节，几乎覆盖了中文所有常用字符。广泛实验表明，H2DiLR 作为统一解码范式，显著优于传统的异构解码方法。进一步实证表明，H2DiLR 在神经表征学习过程中有效捕获了异构性与同质性。