用于脑机接口神经解码泛化的自监督一致性增强解耦学习

基于摘要分析。该研究针对脑机接口（BMI），尤其是侵入式 BMI 中神经漂移导致长期解码性能下降的问题，提出 Self-Supervised Consistency enhanced Disentangled Learning（SSCDL），通过扰动一致性学习与运动参数解耦提升跨日泛化。研究对象是运动神经解码，摘要未明确具体信号记录类型，不能据来源分类将其视为 EEG 基础模型研究。 方法包含两个核心部分：其一，Consistency enhanced Neural Decoder（CND）在模拟神经信号扰动下引入教师—学生一致性约束，以学习对神经漂移稳健的表征；其二，Complementary-Disentangled Generalization（CDG）受神经偏好理论启发，使用三个专用 CND，分别围绕 velocity、direction 和 speed 进行解耦学习，从不同运动参数相关的神经偏好视角捕获不变表征。摘要未交代扰动的具体形式、一致性损失、教师更新方式及各解码器的组合方式，尚不能据此还原训练与推理流程。 作者报告，SSCDL 在所评估的神经解码实验中取得最先进的性能，并表现出较强的稳健性与跨日稳定性；但摘要未提供数据集、被试或动物信息、记录模态、跨日训练与测试划分、对照方法和定量指标，因此这些结论的适用范围尚未验证。全文核对重点包括模拟扰动与真实漂移的对应关系、不同运动参数的解耦方式，以及一致性约束和 CDG 各自的贡献；实验协议、消融及统计信息尚未验证。该框架是否适用于 EEG 等非侵入式信号，也不能由当前摘要直接推定。