基于多变量模式分析的光泵磁强计MEG技术提升神经解码性能

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Enhanced Neural Decoding with Optically Pumped Magnetometer MEG Using Multivariate Pattern Analysis

　　

摘要：

脉冲列数据包含了关于神经元放电模式的精确信息，是建模神经动态的主要手段。然而，脉冲数据的变异性会降低模型在不同实验组和受试者之间的泛化能力。为解决这一问题，人们设计了脉冲表示模型，旨在从大规模记录中提取统一的神经流形。尽管近期的基于注意力机制的模型已展现出可行性，但它们受确定性架构的限制，无法捕捉神经活动的固有随机性以及电极引入的不对齐问题。为克服这些限制，我们提出了概率神经表示变换器（PNRT），该框架能够将不同的脉冲活动转化为一致的潜在概率分布。它还采用了一种基于活动的神经元重排序方法，使模型与物理电极位置解耦，从而减少不对齐现象。在三个跨受试者数据集上的验证表明，PNRT在神经一致性建模和行为解码方面均优于确定性基准模型，展现了其构建统一神经表示以及在脉冲数据变异情况下的稳健性。