Resumo Técnico: Alinhamento de Potencial de Membrana para Adaptação em Tempo de Teste de Redes Neurais de Espículas

Declaração do Problema

As interfaces cérebro-computador intracorticais (iBCIs) enfrentam um desafio crítico: a degradação do desempenho do decodificador ao longo do tempo devido a mudanças nos sinais neurais dia após dia. Fatores como micromovimentação, interrupções de hardware, flutuações nas taxas de disparo e encapsulamento glial alteram a relação entre a atividade neural e a saída motora. Embora a recalibração padrão exija o retreinamento supervisionado com rótulos comportamentais — um processo impraticável para uso diário — a Adaptação em Tempo de Teste (TTA) oferece uma solução ao atualizar os decodificadores usando apenas dados neurais não rotulados.

No entanto, os métodos existentes de TTA não supervisionada, como o NoMAD, dependem de arquiteturas recorrentes profundas ou adversariais complexas (por exemplo, Autoencoders Variacionais com Unidades Recorrentes de Portão - GRUs). Esses modelos são computacionalmente caros e mal adaptados às rigorosas restrições de energia e latência do hardware de iBCI implantável. Por outro lado, as Redes Neurais de Espículas (SNNs) oferecem eficiência energética inerente e computação esparsa, ideais para dispositivos implantáveis, mas os métodos de adaptação de SNN existentes têm se concentrado em benchmarks de classificação de imagens estáticas, falhando em abordar a natureza não estacionária dos registros neurais.

Metodologia

Os autores propõem o Alinhamento de Potencial de Membrana (MPA), um método de TTA projetado especificamente para SNNs em decodificação intracortical. A abordagem alinha um decodificador SNN pré-treinado a registros neurais deslocados, correspondendo às distribuições de potencial de membrana internas da rede entre as sessões.

1. Arquitetura e Pré-treinamento

• Modelo: Uma SNN totalmente conectada de três camadas usando neurônios Leaky Integrate-and-Fire (LIF).
• Pré-treinamento: O modelo é treinado supervisionadamente em uma sessão de origem "Dia 0" para mapear trens de espículas neurais para velocidades contínuas da mão.
• Soft Reset: Ao contrário das implementações padrão de LIF que usam um hard reset (forçando o potencial de membrana a zero após uma espícula), o MPA emprega um soft reset. Isso preserva o potencial de membrana residual, criando distribuições mais contínuas que fornecem gradientes informativos para o correspondência de distribuição.

2. Alinhamento de Potencial de Membrana (MPA)

O núcleo da adaptação ocorre no tempo de inferência em uma sessão de alvo (Dia $k$) onde os rótulos comportamentais não estão disponíveis.

• Modelagem de Distribuição: Os potenciais de membrana de uma camada oculta são modelados como uma distribuição Gaussiana multivariada, $p(u) = \mathcal{N}(\mu, \Sigma)$, estimada a partir de um lote de amostras de entrada.
• Objetivo: A adaptação minimiza a divergência de Kullback–Leibler (KL) entre a distribuição de potencial de membrana do modelo pré-treinado congelado no Dia 0 ($p_0$) e o modelo adaptado no Dia $k$ ($p_k$):
  $$L_{MPA} = D_{KL}(p_0^{(l)} \parallel p_k^{(l)})$$
• Eficiência de Parâmetros (LoRA): Para evitar o sobreajuste (overfitting) e o esquecimento catastrófico, o método restringe as atualizações aos pesos de Adaptação de Baixo Posto (LoRA) apenas na primeira camada oculta.
  • A atualização de peso é parametrizada como $W' = W + AB$, onde $A$ e $B$ são matrizes de baixo posto.
  • Os pesos originais $W$ permanecem congelados.
  • Esta abordagem atualiza menos de 9% do total de parâmetros do modelo, garantindo que a adaptação permaneça leve e restrita a um subespaço de baixa dimensão.

3. Métricas de Compatibilidade Origem-Alvo

Para abordar o risco de falha da TTA quando o deslocamento de domínio é muito severo (por exemplo, reorganização significativa das populações neurais), os autores propõem duas métricas de pré-adaptação:

• Similaridade Representacional: Mede a preservação das correlações de canais pareados (correlação de Pearson de matrizes de correlação) entre as sessões.
• Distância de Grassmann: Mede a rotação do subespaço neural de baixa dimensão (via PCA) entre as sessões.
  Essas métricas ajudam a identificar sessões de alvo onde o alinhamento não supervisionado é improvável de ter sucesso.

Principais Contribuições

1. Algoritmo MPA: Um novo método de TTA para SNNs que alinha distribuições de potencial de membrana via divergência KL, preenchendo a lacuna entre a eficiência energética das SNNs e as necessidades de adaptação para iBCIs de longo prazo.
2. Eficiência de Parâmetros: Ao combinar o alinhamento de potencial de membrana com LoRA na primeira camada, o método adapta o modelo com atualizações mínimas de parâmetros (<9%), tornando-o adequado para hardware com recursos limitados.
3. Avaliação de Compatibilidade: A introdução das métricas de similaridade representacional e distância de Grassmann para prever o sucesso da TTA, abordando o problema da "falha silenciosa", onde os decodificadores produzem saídas confiantes, porém incorretas.
4. Decodificação de Alta Resolução: O método opera em uma resolução temporal de 4 ms, significativamente mais fina do que a resolução de 20 ms usada por métodos concorrentes como o NoMAD.

Resultados Experimentais

O método foi avaliado em um conjunto de dados de alcance de primata não humano (Macaco "Indy") abrangendo mais de um mês (23 sessões, 96 canais).

• Desempenho: O MPA alcançou um desempenho competitivo contra o método de estado da arte NoMAD.
  • Nas sessões de alvo, o MPA melhorou o escore médio de $R^2$ de 0,09 (SNN não adaptada) para 0,33.
  • O MPA superou o NoMAD em várias sessões (Dias 1, 6 e 22) e permaneceu comparável em outras.
• Eficiência de Dados: A adaptação eficaz foi alcançada usando tão pouco quanto 1,28 segundos de dados da sessão de alvo e 1,88 segundos de dados da sessão de origem.
• Análise de Falha: Tanto o MPA quanto o NoMAD falharam no Dia 8. As métricas de compatibilidade propostas identificaram corretamente esta sessão como tendo baixa similaridade representacional e alta distância de Grassmann, confirmando que o deslocamento de domínio era grande demais para que o alinhamento não supervisionado pudesse recuperar o desempenho.
• Resolução Temporal: O MPA manteve alto desempenho na resolução de 4 ms, enquanto o NoMAD e as linhas de base LFADS estavam limitados a bins de 20 ms.

Significância e Alegações

O artigo afirma que o Alinhamento de Potencial de Membrana representa um caminho prático para interfaces cérebro-computador de longo prazo e sem necessidade de recalibração. Ao aproveitar a eficiência energética das SNNs e a eficiência de parâmetros do LoRA, o MPA permite a adaptação no dispositivo sem a sobrecarga computacional de redes recorrentes ou adversariais complexas.

Os autores enfatizam que, embora a TTA não seja uma panaceia para todos os deslocamentos de domínio (como evidenciado pela falha do Dia 8), as métricas de compatibilidade propostas forneem uma salvaguarda necessária. Os resultados sugerem que a TTA eficiente baseada em SNN pode restaurar o desempenho de decodificação ao longo de semanas de deriva usando apenas segundos de dados não rotulados, um passo crítico para neuropróteses totalmente implantáveis e autocalibráveis.