摘要
脑机接口（BMIs）提供了大脑与外部设备之间的直接通信通道，使人类能够控制辅助和机器人技术，具有在康复、人类运动增强和以人为中心的机器人等领域的潜在应用。然而，由于神经漂移，BMIs的性能会随时间下降，这对长期可行性构成挑战，尤其是对于侵入性BMIs（iBMIs）。现有解决方案存在两个主要缺陷：（i）难以学习稳健的神经表征，以及（ii）忽视神经漂移在不同运动参数（如速度、方向和加速度）之间的差异。为克服这些局限性，我们提出了自监督一致性增强的解耦学习（SSCDL），这是一个基于两个关键创新的神经解码泛化框架。
首先，我们设计了一种名为一致性增强神经解码器（CND）的骨干模型，利用新颖的教师-学生一致性约束与模拟神经信号扰动相结合，以学习对神经漂移不变的稳健表征。然后，我们在互补解耦泛化（CDG）机制下采用三个专门的CND，借鉴神经偏好理论，将运动信号解耦为速度、方向和加速度。这种解耦学习使SSCDL能够从多种神经偏好视角捕捉不变的神经表征，显著增强跨日泛化能力。大量实验结果表明，SSCDL展现出最先进的解码性能，具有高稳健性和跨日稳定性。这些能力凸显了其在以人为中心的机器人和细致辅助应用中的强大潜力。
博主点评： SSCDL框架通过自监督方式有效解决了神经漂移问题，提升了脑机接口的长期应用能力。其创新的解耦学习策略为未来人机交互技术提供了新的思路，尤其在实际应用中展现了良好的稳定性与泛化性，值得关注。