基于元学习和预训练的鲁棒神经刺激响应建模

# 基于元学习与预训练的鲁棒神经刺激响应建模
来源：https://arxiv.org/html/2608.26649  
马修·J·布莱恩  
所属机构：华盛顿大学保罗·G·艾伦计算机科学与工程学院神经系统实验室，美国华盛顿州西雅图  
所属机构：华盛顿大学神经技术中心，美国华盛顿州西雅图  
所属机构：华盛顿大学计算神经科学中心，美国华盛顿州西雅图  

丹尼尔·C·缪尔  
所属机构：华盛顿大学保罗·G·艾伦计算机科学与工程学院神经系统实验室，美国华盛顿州西雅图  
所属机构：华盛顿大学神经技术中心，美国华盛顿州西雅图  
所属机构：华盛顿大学计算神经科学中心，美国华盛顿州西雅图  

费利克斯·施沃克  
所属机构：华盛顿大学神经技术中心，美国华盛顿州西雅图  
所属机构：华盛顿大学计算神经科学中心，美国华盛顿州西雅图  
所属机构：华盛顿大学电气与计算机工程系，美国华盛顿州西雅图  

阿扎德·亚兹丹-沙赫莫拉德  
所属机构：华盛顿大学神经技术中心，美国华盛顿州西雅图  
所属机构：华盛顿大学计算神经科学中心，美国华盛顿州西雅图  
所属机构：华盛顿大学生物工程系，美国华盛顿州西雅图  
所属机构：华盛顿大学电气与计算机工程系，美国华盛顿州西雅图  

拉杰什·P·N·拉奥††  
注：††通讯作者邮箱（按顺序）：[email protected], [email protected], [email protected], [email protected], [email protected]  
所属机构：华盛顿大学保罗·G·艾伦计算机科学与工程学院神经系统实验室，美国华盛顿州西雅图  
所属机构：华盛顿大学神经技术中心，美国华盛顿州西雅图  
所属机构：华盛顿大学计算神经科学中心，美国华盛顿州西雅图  

###### 摘要  
**目标：** 基于模型的闭环神经刺激在从帕金森病到感觉恢复的治疗应用中前景广阔，但其部署受限于两大障碍：(1) 用于预测刺激后果的预测模型在相当一部分会话中出现灾难性失效；(2) 每次会话的校准要求通常与临床约束条件不兼容。我们首次通过证明元学习和预训练可应用于神经刺激响应建模来解决这两个问题。  
**方法：** 时间基函数模型此前曾被用于预测状态依赖的神经刺激响应。我们通过基于与模型无关的元学习（MAML）的新架构和算法，扩展了TBFMs在跨会话预训练中的应用，并在两只非人灵长类动物初级躯体感觉和运动皮层的40次光遗传刺激会话中评估了该方法。  
**结果：** 元学习显著减少了灾难性预测失效：对于1k大小的校准集，测试R²<0.05的会话从16/40（单会话训练）降至1/40（MAML预训练），且预测区间显著变窄（Brown-Forsythe检验p<0.05）。在匹配精度下，校准需求减少了50-90%，使得原本在临床会话时间约束下不可行的实验得以实现。  
**结论：** 我们的结果表明，刺激响应中的跨会话结构具有足够的一致性以支持预训练，首次提供了元学习方法适用于神经刺激的实证证据。  
**意义：** 鲁棒性和样本效率的提升直接解决了部署基于模型的刺激控制器的已知障碍。我们的结果激励社区共同努力构建标准化多站点刺激数据集，并进一步探索元学习在鲁棒闭环刺激中的应用。  

###### 索引术语： 脑-机接口，闭环刺激，元学习，神经解码，时间基函数模型，迁移学习  

## I 引言  
闭环神经刺激尽管相比开环刺激具有更高的疗效、更高的能效[1]和更少的副作用[2]的潜力，但仍未得到充分探索。它利用感知到的脑活动以及其他传感器数据（例如[3,4]）实时调整刺激，从而能够利用“状态依赖性”[5]，即刺激响应对神经或行为状态的依赖。临床开环系统已成功用于多种神经系统疾病的功能恢复、症状缓解和靶向康复，例如用于耳聋的耳蜗植入器[6]到用于帕金森病（PD）的深部脑刺激（DBS）[1]。闭环刺激旨在改进这些系统，但由于诸多技术挑战，包括控制器延迟、神经刺激响应的精确表征与建模，以及可靠校准[18]，其仍面临困难。由人工神经网络（ANN）引导的自适应闭环刺激——通常称为神经协同处理[3,8]——提供了一条通往能够根据患者的神经状态、个体差异和疾病特异性特征动态调整刺激控制器的路径。然而，实现这种用于临床的神经协同处理器需要显著提高鲁棒、样本高效、准确且低延迟的基于模型的刺激控制器。  
时间基函数模型[18]旨在通过提供单次试验、多步、时空预测的状态依赖神经刺激响应来解决这些挑战，同时表现出高样本效率和低延迟。它们改进了先前的最新技术水平，例如，未考虑状态依赖性[9]，无法以足够低的延迟进行控制，或未在临床环境中提供足够的样本效率以供实际使用[3]。TBFMs缓解了这些问题：布莱恩等人[18]证明了它们在一到两个小时的实验会话（包括用于校准的数据收集和模型训练时间）内使用的潜力。  
在本文中，我们通过展示在历史会话数据上预训练并使用与模型无关的元学习（MAML）[10]，显著提高了刺激响应预测的鲁棒性，从而推进了TBFMs。经过预训练的TBFMs表现出更少的会话，其准确性不会因噪声或其他干扰变量而发生灾难性降级，这解决了在临床和实验环境中部署基于模型刺激控制器的已知障碍。同样的预训练方法还允许TBFMs适应未来会话，其所需的校准数据集比单会话TBFMs所需的小50-90%，使得原本在单次会话时间约束下不可行的实验得以实现。考虑到TBFMs先前已被证明具有与基本线性状态空间模型相当的样本效率，同时表现出显著更高的预测精度[18]，这些提升是值得注意的。  
我们在此引入的预训练和元学习方法使实验者能够：(1) 利用先前收集的刺激数据；(2) 减少失败实验会话的频率；(3) 将显著更多的实验时间集中在以闭环方式探索刺激参数上，而不是校准上。  
元学习涉及预训练易于适应未见任务的模型[10]，在我们的案例中，即刺激实验会话。具体到MAML，模型参数被推至这样一个区间：适应未见会话可以用最少的训练数据完成。这个适应过程称为“测试时适应”（TTA），涉及使用少量校准数据集为未见会话微调模型的某部分。这种预训练通过将每次会话的模型偏向于许多先前会话中识别出的模式来提高鲁棒性，锚定了学习过程并减少了干扰变量的退化效应。它最近已被应用于脑-机接口（BCI）以最小化校准数据收集[11]，但据我们所知，无论是MAML还是更广泛的元学习，此前均未被证明对神经刺激建模有效。  
元学习在会话之间存在相似性以供预训练利用时效果最佳。考虑到可用电极数量不一、受试者和电极放置不同，以及刺激时间和位置各异，会话之间存在许多差异来源。然而，局部刺激响应趋于定型，某些空间自相关统计可能相似（见图1示例），某些时间自相关亦然[19]。我们首次证明，预训练和元学习可以利用这些相似性，并且其适应过程可以克服跨会话差异，使模型在适应未见会话时表现出优于单会话模型的准确性和鲁棒性。  
总而言之，本文提供了：  
- 基于先前工作对TBFMs的简要介绍；  
- 一种基于TBFMs的新型机器学习架构，支持跨会话预训练；  
- 一种用于预训练此类模型的元学习算法；  
- 一种用于未见会话的测试时适应算法；  
- 一个免费使用的开源实现；  
- 证明以下结果的实验：  
    1. 鲁棒性显著提升，定义为模型在最高噪声会话上的准确性；  
    2. 校准数据收集的显著节省；  
    3. 在所有校准数据集大小上，预测准确性与单会话模型相当或更优。  

## II 方法  
### II-A 数据集  
我们使用先前发布的μECoG数据集[13]评估所提方法，该数据集包含从两只恒河猴收集的40次光遗传刺激会话。在这些实验中，左侧初级躯体感觉（S1）和初级运动（M1）皮层的兴奋性神经元被转导以表达红移通道视紫红质变体C1V1。一个半透明的96通道μECoG网格实现了皮层局部场电位（LFPs）的同步记录，同时通过两个光纤探头传递配对光脉冲（图1-3）[14,15,16,17]。每个光纤探头放置在特定的ECoG电极旁边。尽管不同会话之间的光刺激部位不同，但在任何给定会话内保持固定。每次会话符合我们质量标准的电极数量从42到94不等（平均78.6，标准差13.2），电极排除基于非刺激期间测量的阻抗值。数据采集和滤波程序的进一步描述见[12]。为抑制线路噪声，我们在60、180和300 Hz应用了无限冲激响应（IIR）陷波滤波器，质量因子（Q）分别为20、60和100。本文结果聚焦于宽带时域信号；然而，使用带通滤波和时频滤波版本数据的并行分析可根据要求提供。更多方法细节见[13,12,7]。  
在每次记录会话中，配对光脉冲每200毫秒传递一次，分为五个连续的10分钟刺激区块，每次会话产生约15k个脉冲对。单个脉冲持续时间为5毫秒，每对内的脉冲间隔为10毫秒、30毫秒或100毫秒（取决于会话）。刺激区块与10分钟休息期交替进行，休息期间在不进行光刺激的情况下记录神经活动。实验期间，动物处于清醒状态观看卡通片。  

参考图注 图1：μECoG阵列上的刺激响应。热图显示第二个刺激脉冲开始后10毫秒的LFP值（高斯平滑和Z分数，单会话平均）。缺失电极在绘图时被赋予了虚假值。刺激部位在不同会话间变化。  
参考图注 图2：数据窗口化。试验间隔为16毫秒的184毫秒窗口，每次会话约15k次试验。图例见图3。  
参考图注 图3：单个电极在一个会话内多次试验的平均响应。TBFM模型使用记录神经数据的前20毫秒（称为“滑翔道”）预测每次试验中的刺激诱发活动（y）。初始光脉冲发生在40毫秒（蓝色虚线）；我们假设在20毫秒测量脑状态和计算刺激参数之间存在20毫秒的控制循环延迟（见第II-B1节）。请注意，TBFM使用所有通道的滑翔道同时预测所有通道，但此处仅描绘一个通道。  

### II-B 时间基函数模型（TBFMs）简介  
本节基于我们早期的工作[18]以及我们期刊文章[7]中对TBFMs的显著扩展分析，简要介绍单会话TBFMs。更详细的描述以及参考PyTorch实现可在此处找到：https://github.com/mmattb/py-tbfm。此实现适用于各种刺激建模任务，并可免费使用。