概率性神经表示变换器：基于潜在概率分布的统一神经建模框架

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Towards a Neural Foundation Model: A Probabilistic Spike Representation Model to Mitigate Neural Variability

　　尖峰序列数据封装了关于神经元放电模式的精确信息，是建模神经动力学的主要模态。然而，尖峰数据的变异性削弱了模型跨会话和跨受试者的泛化能力。为弥补这一差距，尖峰表示模型旨在从大规模记录中提取统一的神经流形。尽管近期基于注意力的模型已展示了可行性，但它们受制于确定性架构，无法捕捉神经活动的内在随机性以及电极诱导的错位。为克服这些局限，我们提出了概率性神经表示变换器（PNRT），该框架将可变尖峰活动建模为一致的潜在概率分布。它还实现了一种基于活动的神经元重排方法，将模型与物理电极位置解耦，以减轻错位问题。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线，展示了其对统一神经表示的建模能力以及在尖峰变异性面前的鲁棒性。