💻 computer science

Test-Time Adaptation of Spiking Neural Networks for Intracortical Neural Decoding using Membrane Potential Alignment

本文介绍了膜电位对齐（Membrane Potential Alignment, MPA），这是一种用于脉冲神经网络的高效测试时自适应方法，通过以极小的参数更新量使膜电位分布相匹配，从而将预训练的皮层内解码器重新对齐至日间信号偏移，进而实现长期且无需重新校准的脑机接口。

原作者： Guangzhi Tang

发布于 2026-06-16

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Guangzhi Tang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你拥有一个非常聪明、训练有素的翻译官，他能瞬间将猴子的脑电信号转化为电脑屏幕上移动的游标。这个翻译官在第一天工作得完美无缺。但问题在于，猴子的脑部是一个活生生的、呼吸着的生命体。在接下来的几周里，一些微小的变化发生了——植入物的微动、神经元放电方式的轻微改变，或者是身体自然愈合反应导致的电极周围包裹组织。这些微小的变化就像是翻译官突然听到猴子的声音带了一种不同的口音或背景噪音。而这个被训练成适应“第一天口音”的翻译官会感到困惑，并开始犯错。

通常情况下，为了修复这个问题，你需要让猴子停止活动，让它重新执行一系列特定的任务，并从头开始重新训练翻译官。但这既缓慢又麻烦，还需要技术人员在场协助。

这篇论文介绍了一个巧妙的新技巧，叫做膜电位对齐（Membrane Potential Alignment, MPA），它可以在不依赖任何新指令或标签的情况下，在翻译官工作的过程中对其进行修复。

问题所在：“漂移”的信号

把脑电信号想象成一个广播电台。在第一天，电台信号清晰，你的解码器（即收音机）调频得非常精准。随着时间的推移，电台的频率发生了轻微的偏移。如果你继续用旧的设置来听，音乐就会变成杂音。

现有的修复方案就像是请来一位动力强劲、消耗巨大的音响工程师，带着一个巨大的调音台来手动调整收音机。虽然这些方法有效，但它们过于沉重且耗能，无法装进植入人体大脑的微型电池驱动芯片中。

解决方案：解码器的“调音旋钮”

作者提出使用一种脉冲神经网络（Spiking Neural Network, SNN）。你可以将它想象成一种新型解码器，它的工作方式更接近于生物大脑本身——只有在需要时才会“放电”，这使得它极其节能，就像一块太阳能手表而不是一台耗电量巨大的笔记本电脑。

但即使是这种高效的解码器，也会在信号漂移时感到困惑。因此，作者添加了一个特殊的“调音旋钮”，即 MPA。

以下是 MPA 的工作原理，我们使用一个简单的类比：

第一天的记忆： 解码器记得第一天脑电信号的“感觉”是什么样的。具体来说，它记得其神经元在工作完美时的内部“电压水平”（膜电位）。
第 30 天的漂移： 到第 30 天时，信号已经发生了变化。解码器的内部电压水平现在变得不同了，就像一根走音的吉他弦。
对齐过程： MPA 并不重新训练整个解码器，而是轻轻地调整解码器中一个非常特定的微小部分（使用一种称为 LoRA 的技术，这就像是在机器零件上添加一个可调节的小垫片）。它通过微调，使第 30 天的内部电压分布与第一天的电压形状和分布相匹配。
结果： 一旦内部的“感觉”与原始训练匹配，解码器就能立刻理解新的、发生漂移的信号，即便它从未见过当天数据的任何标注样本。

为什么这很重要

它很精简： 该方法仅改变解码器不到 9% 的设置。这就像是调整大型发动机上的几个螺丝，而不是重建整个发动机。
它很快： 它仅需几秒钟的数据即可修复解码器。
它很高效： 由于使用了脉冲神经网络，它的功耗极低，这使得它成为植入人类大脑的微型芯片的现实候选方案。
它很有效： 在针对猴子伸手抓取目标的测试中（持续一个月），这种方法的效果与目前最复杂、最沉重的算法方法一样出色，但设计却要简单得多。

“兼容性检查”

论文还提到了一项安全功能。有时，脑电信号的漂移非常严重（就像广播电台移动到了一个完全不同的国家），任何程度的调优都无法修复它。作者创建了两个“兼容性测量仪”来检查第一天和第 30 天的信号是否仍然相似到可以被修复。如果测量仪显示两者差异过大，系统就会知道尝试进行适配是徒劳的，从而防止系统做出自信但错误的判断。

核心结论

这篇论文展示了一条通往无需频繁重新校准的脑机接口的技术路径。通过使用一种轻量级、高能效的解码器，使其能够通过“自我调优”内部设置来适应每日变化的脑电信号，我们可以构建出能够可靠运行数周甚至数月，且无需用户停下来重新训练的设备。这就像拥有一台收音机，每当信号发生漂移时，它都会自动重新调频，让音乐永远清晰地播放下去。

技术摘要：用于脉冲神经网络测试时自适应的膜电位对齐技术

问题陈述

皮层内脑机接口（iBCI）面临着一个关键挑战：由于日间神经信号漂移，解码器性能随时间下降。微动、硬件中断、放电率波动以及胶质包囊等因素改变了神经活动与运动输出之间的关系。虽然标准的重新校准需要带有行为标签的有监督训练——这在日常使用中并不现实——但测试时自适应（TTA）提供了一种解决方案，即仅利用无标签的神经数据来更新解码器。

然而，现有的无监督 TTA 方法（如 NoMAD）依赖于复杂的深度循环或对抗性架构（例如带有门控循环单元的变分自编码器）。这些模型计算成本高昂，不适用于植入式 iBCI 硬件严格的功耗和延迟限制。相反，脉冲神经网络（SNN）具有天然的能量效率和稀疏计算特性，非常适合植入式设备；但现有的 SNN 自适应方法主要集中在静态图像分类基准上，未能解决神经记录的非平稳性质问题。

方法论

作者提出了膜电位对齐（Membrane Potential Alignment, MPA），这是一种专为用于皮层内解码的 SNN 设计的 TTA 方法。该方法通过匹配不同会话间网络内部膜电位的分布，将预训练的 SNN 解码器与发生偏移的神经记录进行对齐。

1. 架构与预训练

模型： 一个使用漏积分发放（Leaky Integrate-and-Fire, LIF）神经元的三层全连接 SNN。
预训练： 模型在“第 0 天”源会话上进行有监督训练，以建立神经脉冲序列到连续手部速度的映射。
软重置（Soft Reset）： 与标准 LIF 实现中使用硬重置（在发放脉冲后将膜电位强制归零）不同，MPA 采用了软重置。这保留了残余膜电位，从而创造出更连续的分布，为分布匹配提供更具信息量的梯度。

2. 膜电位对齐 (MPA)

核心自适应发生在目标会话（第 $k$ 天）的推理阶段，此时行为标签不可用。

分布建模： 将隐藏层的膜电位建模为多元高斯分布 $p(u) = \mathcal{N}(\mu, \Sigma)$ ，该分布是通过一组输入样本估计得出的。
目标： 自适应过程旨在最小化第 0 天冻结的预训练模型上的膜电位分布 $p_0$ 与第 $k$ 天自适应模型上的分布 $p_k$ 之间的 Kullback–Leibler (KL) 散度：
$L_{MPA} = D_{KL}(p_0^{(l)} \parallel p_k^{(l)})$
参数效率 (LoRA)： 为了防止过拟合和灾难性遗忘，该方法将更新限制在仅针对第一个隐藏层的**低秩自适应（Low-Rank Adaptation, LoRA）**权重上。
- 权重更新参数化为 $W' = W + AB $，其中$ A $和$ B$ 是低秩矩阵。
- 原始权重 $W$ 保持冻结。
- 这种方法更新了不到 9% 的总模型参数，确保自适应是轻量级的，并约束在低维子空间内。

3. 源-目标兼容性指标

为了应对当领域偏移过于严重（例如神经群体发生显著重组）时可能出现的 TTA 失败风险，作者提出了两种预自适应指标：

表示相似性（Representational Similarity）： 衡量会话间成对通道相关性的保持程度（相关矩阵的 Pearson 相关系数）。
格拉斯曼距离（Grassmann Distance）： 衡量低维神经子空间（通过 PCA）在会话间的旋转情况。
这些指标有助于识别那些进行无监督对齐不太可能成功的目标会话。

核心贡献

MPA 算法： 一种新型 SNN TTA 方法，通过 KL 散度对齐膜电位分布，弥合了 SNN 能量效率与长期 iBCI 自适应需求之间的差距。
参数效率： 通过将膜电位对齐与第一层的 LoRA 相结合，该方法以极少的参数更新（<9%）实现模型自适应，使其适用于资源受限的硬件。
兼容性评估： 引入了表示相似性和格拉斯曼距离指标来预测 TTA 的成功率，解决了“沉默失败”问题（即解码器产生虽有信心但错误输出的情况）。
高分辨率解码： 该方法在 4 ms 的时间分辨率下运行，显著优于 NoMAD 等竞争方法所使用的 20 ms 分辨率。

实验结果

该方法在涵盖一个多月（23 个会话，96 个通道）的非人灵长类动物到达数据集（猴子 "Indy"）上进行了评估。

性能： MPA 达到了与最先进的 NoMAD 方法相当的性能。
- 在目标会话上，MPA 将平均 $R^2$ 分数从 0.09（未适配 SNN）提高到了 0.33。
- MPA 在多个会话（第 1、6 和 22 天）中表现优于 NoMAD，并在其他会话中保持相当水平。
数据效率： 仅使用 1.28 秒 的目标会话数据和 1.88 秒 的源数据即可实现有效自适应。
失败分析： MPA 和 NoMAD 在第 8 天均失败。提出的兼容性指标正确地将该会话识别为具有低表示相似性和高格拉斯曼距离的会话，证实了该领域的偏移过大，导致无监督对齐无法恢复。
时间分辨率： MPA 在 4 ms 分辨率下保持了高性能，而 NoMAD 和 LFADS 基准则受限于 20 ms 的分箱。

意义与主张

本文声称，膜电位对齐代表了实现长期、无需重新校准的脑机接口的一条切实路径。通过利用 SNN 的能量效率和 LoRA 的参数效率，MPA 能够在没有复杂循环或对抗性网络计算开销的情况下实现设备端自适应。

作者强调，虽然 TTA 并非解决所有领域偏移的万灵药（如第 8 天的失败所示），但所提出的兼容性指标提供了必要的保障。结果表明，高效的基于 SNN 的 TTA 可以仅利用数秒的无标签数据，在数周的漂移过程中恢复解码性能，这是迈向完全植入式、自校准神经假体的关键一步。