新型元对齐算法Meta-AlignNN助力实现稳定的脑机接口解码

    脑机接口的临床应用长期面临着一大核心瓶颈：神经信号的不稳定性。这种不稳定性体现在：神经活动不仅随时间推移而产生漂移，还在不同个体和不同任务间存在巨大差异。导致脑机接口系统需要频繁重新校准，极大限制了实用性。

    为突破这一挑战，临港实验室李澄宇团队的邹勇杰、何振亮、管寿梁和中国科学院脑科学与智能技术卓越创新中心的学生刘锴等同志提出了一种名为“Meta-AlignNN”的元学习框架。旨在实现跨时间、跨个体、跨任务的持久稳定解码性能。该方法的核心思想在于，尽管单个神经元的活动易变，但控制运动行为的群体神经活动的潜在动态模式具有高度保守性。Meta-AlignNN通过一个“元对齐器”，学习将不同来源的不稳定神经活动映射到一个统一、稳健的潜在表征空间中，再由一个固定的解码器进行解析，从而实现了脑机接口解码算法的快速自适应。

    为验证该框架的有效性，研究团队在长达两年的时间里，对三只猕猴在四种不同任务中进行了超过300次实验，并结合了公开数据集进行测试。结果表明，无论是在离线解码还是实时脑控实验中，Meta-AlignNN的性能均显著优于多种现有的先进算法。

    该框架不仅能利用少量的新数据快速适应长达数百天的时间跨度，还能成功实现跨个体（猴A的模型用于猴B）和跨任务（任务A的模型用于任务B）的精准脑控。研究进一步揭示，该框架的成功源于其对潜在动态模式的有效对齐，并且仅需少量稳定的记录通道即可维持优越性能，降低了对高通量电极阵列的依赖。

    Meta-AlignNN为解决脑机接口的稳定性难题提供了统一高效的解决方案。它通过元学习机制，有效克服了时间、个体和任务差异带来的神经信号变化，为开发长期、高效、且能广泛适用于不同患者和应用场景的下一代临床脑机接口系统奠定了坚实的技术基础，标志着脑机接口研究向实用化迈出了关键一步。

文章链接：https://doi.org/10.1101/2025.04.20.649482