Cross-Session Decoding of Neural Spiking Data via Task-Conditioned Latent Alignment

Riassunto Tecnico: Cross-Session Decoding of Neural Spiking Data via Task-Conditioned Latent Alignment (TCLA)

1. Il Problema (Problem Statement)

L'addestramento di decoder neurali ad alte prestazioni richiede tipicamente grandi quantità di dati registrati e annotati. Tuttavia, nella pratica clinica e sperimentale (come nelle interfacce cervello-computer - BCI), le sessioni di registrazione possono contenere dati molto limitati. Questo rende difficile addestrare un decoder affidabile basandosi esclusivamente sulla sessione corrente (target session).

Sebbene sia noto che l'attività neurale di popolazione risieda in "manifold" (varietà) a bassa dimensionalità relativamente stabili nel tempo, le variazioni tra sessioni (cross-session variability) rendono complesso il trasferimento di conoscenza. Inoltre, i metodi esistenti spesso trattano l'attività neurale come una distribuzione singola, ignorando che diverse condizioni del compito (es. diverse direzioni di movimento) possono indurre manifold distinti e specifici per la condizione.

2. Metodologia (Methodology)

Gli autori propongono TCLA (Task-Conditioned Latent Alignment), un framework end-to-end progettato per allineare le rappresentazioni latenti tra una sessione sorgente (con molti dati) e una sessione target (con pochi dati), preservando la struttura dipendente dal compito.

Il framework si articola in due fasi principali:

• Fase 1: Pre-addestramento della Sessione Sorgente (Source Session Pre-training):
  Utilizzando un'architettura basata su autoencoder (derivata da LDNS), il modello impara una rappresentazione neurale a bassa dimensionalità dalla sessione sorgente. L'autoencoder utilizza strati structured state-space (S4) per modellare le dipendenze temporali. L'obiettivo è minimizzare la Poisson negative log-likelihood per la ricostruzione degli spike, con regolarizzazioni per la scala dei latenti e la loro fluidità temporale.

• Fase 2: Allineamento della Sessione Target (Target Session Alignment):
  In questa fase, i parametri dell'autoencoder condiviso vengono congelati (frozen). Vengono addestrati solo gli strati specifici della sessione (input/output layers) per adattare i nuovi dati al manifold appreso. L'innovazione chiave è l'uso della Maximum Mean Discrepancy (MMD) multi-kernel condizionata al compito: l'allineamento non avviene su tutta la sessione, ma separatamente per ogni condizione comportamentale (es. ogni direzione di movimento). Questo assicura che il manifold della direzione "A" nella sessione target sia allineato con il manifold della direzione "A" della sessione sorgente.

3. Contributi Chiave (Key Contributions)

• Allineamento Condizionato al Compito: A differenza dei metodi precedenti che allineano le sessioni globalmente, TCLA preserva la struttura specifica delle diverse condizioni del compito, riducendo le distorsioni causate dal cambiamento di contesto.
• Architettura Modulare: L'uso di strati di "read-in" e "read-out" specifici per sessione permette al modello di gestire canali neurali di numero differente tra una sessione e l'altra, mantenendo un unico spazio latente condiviso.
• Efficacia con Dati Limitati: Il framework è progettato specificamente per scenari di transfer learning dove la sessione target ha una frazione minima di dati rispetto alla sorgente.

4. Risultati (Results)

Il modello è stato valutato su tre dataset di primati non umani (movimenti motori e oculomotori):

• Miglioramento della Precisione: TCLA ha superato costantemente i baseline (AutoLFADS e un modello LDNS addestrato solo sulla sessione target).
• Metriche di Performance: Si sono osservati incrementi significativi nel coefficiente di determinazione ($R^2$). Ad esempio, nel dataset motorio, il guadagno per la velocità della coordinata $y$ è stato notevole.
• Visualizzazione dei Manifold: Le analisi t-SNE hanno dimostrato che, mentre i metodi tradizionali creano cluster separati per ogni sessione (mismatch), TCLA riesce a proiettare le sessioni target in uno spazio latente coerente e sovrapponibile a quello della sessione sorgente.
• Relazione con la Baseline: Il miglioramento è stato più marcato nelle coordinate dove le prestazioni iniziali del decoder erano più deboli, confermando la capacità del modello di fornire informazioni utili dove i dati sono più scarsi o rumorosi.

5. Significato e Conclusioni (Significance)

TCLA rappresenta un passo avanti fondamentale per lo sviluppo di sistemi BCI a lungo termine. Dimostra che è possibile sfruttare la "memoria" di sessioni passate per rendere i decoder immediatamente efficaci e robusti anche quando i dati della sessione corrente sono minimi. Sebbene il metodo richieda etichette del compito (task labels), la sua capacità di ridurre la variabilità cross-sessione apre la strada a sistemi di controllo neurale più stabili e pronti per l'uso clinico.