基于混合状态空间模型的可泛化实时神经解码

基于摘要分析。研究针对实时神经解码中推理延迟与泛化能力难以兼顾的问题，提出混合架构 POSSM，将单个 spike 的 token 化与循环状态空间模型（SSM）结合，通过多数据集预训练支持因果在线预测及向新会话、个体和任务的泛化。主要研究对象是皮层内神经活动解码，评估覆盖猴运动任务和人类手写、语音解码，并非 EEG 解码研究。 机制上，POSSM 使用 cross-attention 模块对单个 spike 进行 token 化，再以循环 SSM 作为主干。其设计旨在结合预训练带来的泛化能力与循环推理的计算效率，回应轻量循环神经网络泛化受限、Transformer 推理成本较高的取舍。摘要未提供 token 定义、状态更新形式、训练目标、预训练规模或任务适配流程，这些实现细节尚未验证。 作者报告，在所评估的猴运动任务及人类手写、语音解码任务中，POSSM 的解码准确性可与先进 Transformer 相比，同时推理成本更低；GPU 推理最高加速 9 倍。该数字对应摘要所述任务中的最高加速，具体硬件、批量大小、序列长度、对照模型和延迟测量方式尚未验证，不能据此推断端到端闭环系统同样加速。摘要也未给出各任务的具体准确性指标或分数。 作者报告，猴运动皮层记录上的预训练改善了人类手写任务的解码表现，提供了跨物种迁移的初步证据，但不等于对任意神经信号或任务都有效。数据集名称、被试数量、训练与测试划分，以及跨会话、跨被试和跨任务泛化的具体协议尚未验证；实验协议、消融及统计信息亦尚未验证。复现时需重点核对预训练与目标任务适配的边界、速度对照条件，以及离线解码性能是否落实为真实在线闭环收益。该架构依赖 spike 输入，其对 EEG 等连续低信噪比信号的适用性不能由本摘要直接推出。