南湖脑机交叉研究院

一项预印本研究提出UnSPC（不确定性引导的自步循环），一种将域适应（DA）与域泛化（DG）在迭代循环中整合的框架，用于应对侵入式脑机接口长期部署中的神经漂移。研究指出，神经漂移会随时间降低解码性能并需频繁重校准，而既有方法通常只依赖DA或DG其一，难以捕捉跨神经亚域的细粒度分布偏移。UnSPC在不确定性引导的自步伪标签机制下，以噪声稳健的排序策略迭代挖掘可靠伪标签样本，并通过循环适应与泛化策略在迭代循环中逐步缓解全局与亚域漂移。研究者称，在多个神经解码数据集上的实验验证了UnSPC的有效性与稳健性，据作者称这是首个以伪标签循环整合DA与DG的方法。该研究为预印本，尚未经过同行评审。

一项预印本研究提出SSCDL，一种自监督一致性增强的解缠学习框架，用于脑机接口神经解码泛化。研究先设计一致性增强神经解码器（CND），通过教师-学生一致性约束与模拟神经信号扰动，学习对神经漂移不变的稳健表征；再在互补解缠泛化机制下使用三个专用CND，借鉴神经偏好理论将运动信号解缠为速度、方向和速率，从而从多样化的神经偏好视角捕捉不变表征，显著增强跨天泛化。研究者称，SSCDL在广泛实验中取得最先进的解码性能，具有高稳健性与跨天稳定性，有望支持长期、精细的辅助应用。该研究为预印本，尚未经过同行评审。