2025_NIPS_CRRL: Learning Channel-invariant Neural Representations for High-performance Cross-day ...

文章核心总结

本文提出CRRL（Channel Rearrangement and Reconstruction Learning）框架，用于解决脑机接口（BCI）跨天解码中神经信号的通道级变异性问题，实现长期稳定解码。核心创新在于通过两个专用模块分别处理神经元丢失/新增、电极漂移两类变异，在多数据集上达成超两个月的state-of-the-art性能，且可作为插件增强现有方法。

主要内容

1. 研究背景：BCI在运动/语言康复中潜力巨大，但神经信号的通道级变异性（神经元丢失/新增、电极漂移）导致跨天性能不稳定，需频繁校准。
2. 现有方法局限：传统流形对齐依赖稳定通道、领域自适应泛化不足、大规模预训练成本高。
3. CRRL框架：
   • 通道重排模块（RA）：通过排列网络和Sinkhorn-Knopp算法，对齐不同天数的通道信号，处理电极漂移。
   • 通道重建模块（RC）：基于通道的VQ-VAE，修复缺失神经元信号，同时优化时域和频域重建。
4. 实验验证：在模拟数据集和7个真实数据集（2个人类、5个猴子）上验证，跨天解码（最长超65天）性能显著优于Stabilizedbci、Cycle-GAN等基线方法，且可作为插件提升现有领域自适应方法性能。

创新点

<