Resumen Técnico: Alineación del Potencial de Membrana para la Adaptación en Tiempo de Prueba de Redes Neuronales de Picos

Declaración del Problema

Las interfaces cerebro-computadora intracorticales (iBCI) enfrentan un desafío crítico: la degradación del rendimiento del decodificador con el tiempo debido a los cambios diarios en la señal neural. Factores como el micromovimiento, las interrupciones del hardware, las fluctuaciones en las tasas de disparo y la encapsulación glial alteran la relación entre la actividad neural y la salida motora. Si bien la recalibración estándar requiere un reentrenamiento supervisado con etiquetas conductuales —un proceso que es poco práctico para el uso diario—, la Adaptación en Tiempo de Prueba (TTA, por sus siglas en inglés) ofrece una solución al actualizar los decodificadores utilizando únicamente datos neurales no etiquetados.

Sin embargo, los métodos de TTA no supervisados existentes, como NoMAD, dependen de arquitecturas recurrentes profundas o adversarias complejas (por ejemplo, Autoencoders Variacionales con Unidades Recurrentes de Compuerta). Estos modelos son computacionalmente costosos y no se adaptan bien a las estrictas restricciones de potencia y latencia del hardware de iBCI implantable. Por el contrario, las Redes Neuronales de Picos (SNN) ofrecen una eficiencia energética inherente y un cómputo disperso ideales para dispositivos implantables, pero los métodos de adaptación de SNN existentes se han centrado en benchmarks estáticos de clasificación de imágenes, fallando en abordar la naturaleza no estacionaria de los registros neurales.

Metodología

Los autores proponen la Alineación del Potencial de Membrana (MPA), un método de TTA diseñado específicamente para SNN en la decodificación intracortical. El enfoque alinea un decodificador SNN preentrenado a registros neurales desplazados mediante el emparejamiento de las distribuciones del potencial de membrana de la red a través de las sesiones.

1. Arquitectura y Preentrenamiento

• Modelo: Una SNN totalmente conectada de tres capas utilizando neuronas de Integración y Disparo con Fuga (LIF).
• Preentrenamiento: El modelo es entrenado de forma supervisada en una sesión de origen del "Día 0" para mapear trenes de picos neurales a velocidades de la mano continuas.
• Reinicio Suave (Soft Reset): A diferencia de las implementaciones estándar de LIF que utilizan un reinicio duro (forzando el potencial de membrana a cero después de un pico), la MPA emplea un reinicio suave. Esto preserva el potencial de membrana residual, creando distribuciones más continuas que proporcionan gradientes informativos para el emparejamiento de distribuciones.

2. Alineación del Potencial de Membrana (MPA)

El núcleo de la adaptación ocurre durante la inferencia en una sesión objetivo (Día $k$) donde las etiquetas conductuales no están disponibles.

• Modelado de Distribución: Los potenciales de membrana de una capa oculta se modelan como una distribución Gaussiana multivariante, $p(u) = \mathcal{N}(\mu, \Sigma)$, estimada a partir de un lote de muestras de entrada.
• Objetivo: La adaptación minimiza la divergencia de Kullback–Leibler (KL) entre la distribución del potencial de membrana del modelo preentrenado congelado en el Día 0 ($p_0$) y el modelo adaptado en el Día $k$ ($p_k$):
  $$L_{MPA} = D_{KL}(p_0^{(l)} \parallel p_k^{(l)})$$
• Eficiencia de Parámetros (LoRA): Para prevenir el sobreajuste y el olvido catastrófico, el método restringe las actualizaciones a los pesos de Adaptación de Bajo Rango (LoRA) únicamente en la primera capa oculta.
  • La actualización de los pesos se parametriza como $W' = W + AB$, donde $A$ y $B$ son matrices de bajo rango.
  • Los pesos originales $W$ permanecen congelados.
  • Este enfoque actualiza menos del 9% del total de los parámetros del modelo, asegurando que la adaptación sea ligera y esté restringida a un subespacio de baja dimensión.

3. Métricas de Compatibilidad Fuente-Objetivo

Para abordar el riesgo de falla de la TTA cuando el desplazamiento de dominio es demasiado severo (por ejemplo, una reorganización significativa de las poblaciones neurales), los autores proponen dos métricas de pre-adaptación:

• Similitud Representacional: Mide la preservación de las correlaciones de canales por pares (correlación de Pearson de las matrices de correlación) entre sesiones.
• Distancia de Grassmann: Mide la rotación del subespacio neural de baja dimensión (vía PCA) entre sesiones.
  Estas métricas ayudan a identificar sesiones objetivo donde es improbable que la alineación no supervisada tenga éxito.

Contribuciones Clave

1. Algoritmo MPA: Un nuevo método de TTA para SNN que alinea las distribuciones del potencial de membrana mediante la divergencia KL, cerrando la brecha entre la eficiencia energética de las SNN y las necesidades de adaptación para iBCI de largo plazo.
2. Eficiencia de Parámetros: Al combinar la alineación del potencial de membrana con LoRA en la primera capa, el método adapta el modelo con actualizaciones mínimas de parámetros (<9%), lo que lo hace adecuado para hardware con recursos limitados.
3. Evaluación de Compatibilidad: La introducción de las métricas de similitud representacional y distancia de Grassmann para predecir el éxito de la TTA, abordando el problema del "fallo silencioso" donde los decodificadores producen salidas con alta confianza pero incorrectas.
4. Decodificación de Alta Resolución: El método opera a una resolución temporal de 4 ms, significativamente más fina que la resolución de 20 ms utilizada por métodos competidores como NoMAD.

Resultados Experimentales

El método fue evaluado en un conjunto de datos de alcance de un primate no humano (Mono "Indy") que abarca más de un mes (23 sesiones, 96 canales).

• Rendimiento: La MPA logró un rendimiento competitivo frente al método de vanguardia NoMAD.
  • En las sesiones objetivo, la MPA mejoró el puntaje medio de $R^2$ de 0.09 (SNN no adaptada) a 0.33.
  • La MPA superó a NoMAD en varias sesiones (Días 1, 6 y 22) y se mantuvo comparable en otras.
• Eficiencia de Datos: Se logró una adaptación efectiva utilizando tan solo 1.28 segundos de datos de la sesión objetivo y 1.88 segundos de datos de la sesión de origen.
• Análisis de Fallos: Tanto la MPA como NoMAD fallaron en el Día 8. Las métricas de compatibilidad propuestas identificaron correctamente esta sesión como de baja similitud representacional y alta distancia de Grassmann, confirmando que el desplazamiento de dominio era demasiado grande para que la alineación no supervisada pudiera recuperarlo.
• Resolución Temporal: La MPA mantuvo un alto rendimiento a una resolución de 4 ms, mientras que los baselines de NoMAD y LFADS estaban limitados a bins de 20 ms.

Significancia y Reivindicaciones

El artículo afirma que la Alineación del Potencial de Membrana representa un camino práctico hacia interfaces cerebro-computadora de largo plazo y sin necesidad de recalibración. Al aprovechar la eficiencia energética de las SNN y la eficiencia de parámetros de LoRA, la MPA permite la adaptación en el dispositivo sin la carga computacional de redes recurrentes o adversarias complejas.

Los autores enfatizan que, si bien la TTA no es una panacea para todos los desplazamientos de dominio (como se evidencia en el fallo del Día 8), las méticas de compatibilidad propuestas proporcionan una salvaguarda necesaria. Los resultados sugieren que la TTA eficiente basada en SNN puede restaurar el rendimiento de la decodificación durante semanas de deriva utilizando solo segundos de datos no etiquetados, un paso crítico hacia neuroprótesis totalmente implantables y autocalibrables.