LAND：通过流匹配实现潜在对齐的神经-行为动力学，用于可泛化的运动解码

可泛化的运动解码仍然是侵入式脑机接口（BCI）中的核心挑战，因为在有限校准条件下训练的解码器往往难以泛化到未见过的运动速度、肢体和受试者。现有解码方法通常是在受限条件下收集的成对数据上进行训练的。因此，如何利用未配对数据中的行为结构来实现稳健的分布外（OOD）解码，仍未得到解决。为此，我们提出 LAND（Latent Aligned Neural-behavioral Dynamics，潜在对齐的神经-行为动力学），一种通过流匹配对齐潜在神经与行为动力学的框架。LAND 通过学习神经到行为的传输映射，并利用未配对数据中的行为动力学先验来促进结构化的神经流形，从而对表示几何进行正则化，以提升跨域泛化能力。我们在合成神经数据、四肢瘫痪参与者的硬膜外 BCI 记录，以及非人灵长类动物（NHPs）的多电极阵列（MEA）记录上评估了 LAND。在这些场景中，LAND 提高了对 OOD 运动速度的零样本泛化能力，并产生了速度调制的流形。在有限的目标域微调下，它进一步改善了跨肢体和跨受试者的迁移效果。这些结果支持将基于流的神经-行为对齐与未配对运动学先验结合，作为学习可迁移神经表征和实现跨行为与记录域稳健运动解码的一种方法。

基于有限校准条件训练的解码器往往无法泛化到未见过的运动速度、肢体和受试者，因此，可泛化的运动解码仍然是侵入式脑机接口（BCI）中的一项核心挑战。现有解码方法通常在受限条件下收集的成对数据上进行训练。因此，如何利用未配对数据中的行为结构来实现稳健的分布外（OOD）解码，仍未得到解决。为此，我们提出 LAND（Latent Aligned Neural-behavioral Dynamics，潜在对齐的神经-行为动力学），一种通过流匹配对齐潜在神经动力学与行为动力学的框架。通过学习神经到行为的传输映射，并利用未配对数据中的行为动力学先验来促进结构化的神经流形，LAND 对表示几何进行正则化，从而提升跨域泛化能力。我们在合成神经数据、四肢瘫痪参与者的硬膜外 BCI 记录，以及非人灵长类（NHPs）的多电极阵列（MEA）记录上评估了 LAND。跨这些设置，LAND 改善了对 OOD 运动速度的零样本泛化，并产生了速度调制的流形。在有限的目标域微调下，它进一步提升了跨肢体和跨受试者的迁移性能。这些结果支持将基于流的神经-行为对齐与未配对运动学先验结合，用于学习可迁移的神经表征，并在行为域和记录域之间实现稳健的运动解码。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.19.745390v1?rss=1

🏷️ 运动解码 脑机接口 流匹配 潜在对齐 分布外泛化