Cross-Session-Decoding neuronaler Spikes mit latenter Ausrichtung

Die Nichtstationarität von neuronaler Aktivität, die bei implantierten Elektroden entsteht, stellt ein zentrales Problem für invasive Brain‑Computer‑Interfaces (BCIs) dar. Decoder, die auf Daten einer einzigen Sitzung trainiert wurden, zeigen häufig keine gute Generalisierung auf nachfolgende Sitzungen, und die Anpassung dieser Modelle wird zusätzlich erschwert, wenn nur wenige neue Daten vorliegen.

Um diesem Problem zu begegnen, wurde das Task‑Conditioned Latent Alignment (TCLA) entwickelt. Das Verfahren nutzt eine Autoencoder‑Architektur, um zunächst aus einer Quellsitzung mit ausreichenden Daten eine kompakte, latente Darstellung der neuronalen Dynamik zu erlernen. Für Ziel‑Sitzungen, in denen nur begrenzte Daten verfügbar sind, wird die latente Repräsentation anschließend in einer auf die Aufgabe abgestimmten Weise an die Quell‑Latente ausgerichtet, wodurch das erlernte Wissen effektiv übertragen werden kann.

Die Wirksamkeit von TCLA wurde an einem Datensatz von Makaken im motorischen und okulomotorischen Zentrum‑out‑Task getestet. Im Vergleich zu Basis‑Methoden, die ausschließlich auf Ziel‑Sitzungsdaten trainiert wurden, erzielte TCLA konsistente Verbesserungen der Dekodierungsleistung über verschiedene Datensätze und Einstellungen hinweg. Besonders hervorzuheben ist ein Anstieg des Bestimmtheitskoeffizienten um bis zu 0,386 bei der Dekodierung der y‑Koordinaten‑Geschwindigkeit im motorischen Datensatz.

Diese Ergebnisse zeigen, dass TCLA eine effektive Strategie darstellt, um Wissen von einer Quellsitzung auf eine Ziel‑Sitzung zu übertragen und damit robuste neuronale Dekodierung unter Bedingungen mit begrenzten Daten zu ermöglichen.