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。该研究面向实时神经活动解码中泛化能力与计算延迟之间的矛盾，提出混合架构 POSSM：通过 cross-attention 模块对单个神经脉冲进行 token 化，再结合递归状态空间模型（SSM）骨干，实现快速、因果的在线预测，并利用多数据集预训练支持向新会话、个体和任务泛化。主要研究对象是皮层内神经活动解码，而非 EEG。 机制上，POSSM 将脉冲级输入表示与递归状态更新结合，目标是在保留预训练泛化收益的同时，降低 Transformer 类解码器的推理成本。摘要未提供 token 的具体构造、状态更新形式、损失函数、预训练目标或适配流程，尚不能判断各模块对性能和效率的独立贡献。 作者在猴运动任务的皮层内解码中评估解码表现与推理速度，并扩展至人类被试的手写和语音解码。作者报告，在这些任务中 POSSM 的解码准确性与先进 Transformer 方法相当；在所评估的 GPU 推理条件下，速度最高达到对照的 9 倍。摘要未给出具体指标、对照模型、硬件、批量大小及延迟测量方式，因此这一倍数不能直接等同于闭环系统的端到端延迟收益。 作者还报告，使用猴运动皮层记录预训练可改善人类手写任务的解码表现，提供了跨物种迁移的实验线索；摘要没有给出改善幅度，也不能据此推广到人类语音或其他神经信号。数据集名称、被试数量、被试内与跨被试及跨会话划分、实验协议、消融及统计信息尚未验证。复现时应重点核对因果输入约束、预训练与评估数据划分、各任务适配方式，以及统一硬件条件下的推理成本和完整闭环延迟。