FunctionalMap：学习数据驱动坐标，用于异质颅内记录的跨被试 Transformer 建模

基于摘要分析。该研究针对颅内记录中电极数量、位置及脑区覆盖随被试变化，且解剖坐标未必对应相同神经动力学的问题，提出 FunctionalMap：从局部场电位（LFP）学习功能坐标，再以此支持异质通道集合的跨被试 Transformer 建模。 机制上，编码器通过对比学习目标，将短时 LFP 片段映射到被试无关的嵌入空间，使电极表征更接近脑区特异的神经信号特征，而非仅依赖解剖位置。功能坐标随后作为 Transformer 的 token，用于建模脑区间关系。摘要未给出对比样本构造、损失具体形式，以及功能坐标与时序信号的融合方式。 作者报告，在包含20名被试、静息与运动灵活记录会话及异质电极布局的基底节—丘脑数据集上，功能空间形成脑区一致的聚类，支持被试内区分，并可零样本迁移到未见通道。在该数据集的跨脑区 LFP 预测中，使用功能坐标的单一 Transformer 优于使用 MNI 坐标或脑区标签的模型，且不需要被试专属输出头或微调；作者还报告，增加训练被试可改善表现，功能坐标也改善频带功率预测。摘要未提供具体指标、数值及划分细节，因此未见通道迁移不能直接等同于未见被试泛化。 作者报告，掩码脑区预测结果在另一公开人类队列上通过分别训练的模型得到复现；在公开小鼠视觉—行为记录中，训练后的功能编码器支持对未见动物进行零样本、汇总的 hit-versus-miss 行为预测，并优于解剖坐标方案。人类与小鼠结果对应不同任务，不能直接合并比较。 其直接研究对象是异质颅内信号的表示与预测，并非已验证的 BCI 在线解码系统。复现需核对编码器与下游模型的数据划分、零样本评估边界、通道和脑区覆盖，以及不同坐标基线的输入条件；实验协议、消融及统计信息尚未验证。