BiXformer：一种用于解耦区域间神经动态的双向交叉注意力 Transformer

高通量神经记录技术的进步，使得在行为动物中同时测量多个脑区的活动成为可能，从而产生了规模和丰富性前所未有的数据集。由于脑区间通信具有双向性和时间偏移性，前馈与反馈信号在神经群体中相互叠加，因此这些数据的解释仍然面临挑战。我们提出了 BiXformer，这是一种双向交叉注意力 Transformer，通过使用具有方向性掩码的注意力机制，将脑区间通信分解为因果流与非因果流，从而解耦这些相互作用。通过在注意力头内施加时间约束，BiXformer 能够在不依赖线性或平稳性假设的情况下，恢复低维、有向的潜在动力学，并估计通信时延。我们在具有已知真实时延的合成数据集上对该模型进行了验证，结果表明其能够准确恢复潜在结构和脑区间时序关系。将该模型应用于同步神经—行为记录数据以及运动任务中的多脑区神经记录数据时，BiXformer 揭示出可解释且具有时间结构的成分，这些成分与感觉反馈信号和运动相关信号共存的现象一致。这些结果表明，BiXformer 是一个能够揭示复杂神经回路中动态、有向通信的灵活框架。

高通量神经记录技术的进步使研究者能够在动物行为过程中同时测量多个脑区的活动，从而产生了前所未有的大规模且信息丰富的数据集。由于脑区间通信具有双向性和时间偏移性，前馈与反馈信号在神经元群体内相互叠加，因此对这类数据的解释仍然充满挑战。

我们提出了 BiXformer，一种双向交叉注意力 Transformer，通过使用具有方向性掩码的注意力机制，将脑区间通信分解为因果流与非因果流，从而解耦这些相互作用。通过在注意力头中施加时间约束，BiXformer 能够在不依赖线性性或平稳性假设的情况下，恢复低维、有向的潜在动力学，并估计通信延迟。

我们在具有已知真实延迟的合成数据集上验证了该模型，结果表明其能够准确恢复潜在结构以及脑区间时序关系。将其应用于同时记录的神经—行为数据以及运动任务中的多脑区神经记录时，BiXformer 揭示出具有可解释性且具时间结构的成分，这些成分与感觉反馈和运动相关信号共存的现象一致。这些结果表明，BiXformer 是一个灵活的框架，可用于揭示复杂神经回路中动态的、有向的通信。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.05.730511v1?rss=1

🏷️ Transformer模型 双向交叉注意力 神经动态解耦 脑区间通信 时延估计 多脑区神经记录