通过使用混合SNN-ANN算法的神经尖峰和行为双向跨日对齐
Binjie Hong1,2, Zihang Xu1,2, Tengyu Zhang3
1Center for Excellence in Brain Science and Intelligence Technology, State Key Laboratory of Brain Cognition and Brain-inspired Intelligence Technology, Institute of Neuroscience, Chinese Academy of Sciences, Shanghai, China.
Frontiers in neuroscience
|February 20, 2026
概括
AlignNet通过将大脑信号和行为在几天内对齐来增强神经解码. 这个新的框架通过学习会话不变表示来改进跨日神经接口应用程序.
科学领域:
- 神经科学是一个神经科学.
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算神经科学是一种神经科学.
背景情况:
- 深度学习有效地解释电脑电图 (EEG) 信号.
- 侵入性大脑信号在跨日神经解码和模拟方面面临挑战,原因是非静止性和表示漂移.
研究的目的:
- 介绍AlignNet,这是一个新的框架,用于神经尖端模式和行为语义之间的交叉模式对齐.
- 通过解决表示漂移,实现强大的跨日神经解码和模拟.
主要方法:
- 在AlignNet中,用于表示学习的SNN-ANN (Spiking Neural Network-Artificial Neural Network) 混合自动编码器.
- 基于U的架构将神经尖峰和行为编码到共享的潜空间中,通过对比目标优化为会话不变的功能.
- 采用使用多会话数据的预训练策略,然后进行特定任务的微调.
主要成果:
- 在单日和跨日神经解码和模拟任务中,AlignNet表现出卓越的性能.
- 预训练的AlignNet模型在微调后有效地执行解码和模拟.
- 混合SNN-ANN表示显示了跨多天记录的时间一致性,同时保留了行为语义.
结论:
- AlignNet为跨日神经解码和模拟提供了一个强大的解决方案.
- 该框架促进了可靠和适应性的跨日神经接口应用程序的开发.
- 时段不变特征学习对于将不同记录会话中的神经解码概括至关重要.
