REALM：用于 LFP 建模的回溯式编码器对齐

arXiv:2605.14867v2 发布类型：替换 摘要：由于脉冲活动具有较高的时空分辨率，能够支持准确解码，因此一直是行为解码中占主导地位的神经信号。然而，随着皮层内脑机接口（iBCI）向更高通道数和无线运行方向发展，记录脉冲所需的高采样率带来了巨大的功耗和带宽需求。局部场电位（LFP）具有互补优势，包括更高的长期稳定性、更低的能耗和更低的带宽需求。然而，基于 LFP 的解码器通常准确率较低，并且依赖无法直接用于实时部署的非因果架构。我们提出了 REALM，这是一种用于因果 LFP 行为解码的回溯式知识蒸馏（RKD）框架。受语音识别中离线到在线蒸馏的启发，REALM 将预训练的多会话双向 LFP 教师模型中的非因果表征知识迁移到因果学生模型中。我们首先使用连续掩码自编码（CMAE）在多个记录会话上预训练双向 Mamba-2 教师模型，然后通过结合表征对齐与自编码的目标函数，将其表征蒸馏到紧凑的因果学生模型中。在无标签和微调两种流程中，REALM 的平均准确率均为所比较解码器中的最高水平，并且相较于每个基线（包括当前最先进的 CrossModalDistill）都取得了具有统计显著性的提升。在预训练、蒸馏和解码的整个过程中，REALM 始终仅使用 LFP；其参数量不到 CrossModalDistill 已发表学生模型的一半，预训练时间仅为其十分之一。这些结果表明，因果 LFP-only 模型能够达到与非因果多模态模型相当的解码准确率，为下一代无线和植入式 iBCI 提供了一种实用且可扩展的方法。