Nature Portfolio（Brain–machine interface）·2025-12-08 08:00· 2025-12-08AI 评分85

Stanford Francis R. Willett 团队提出 PRI-T：用隐马尔可夫模型实现皮层内脑机接口长期无监督重校准

Long-term unsupervised recalibration of cursor-based intracortical brain–computer interfaces using a hidden Markov model

AI 导读

Stanford 大学 Francis R. Willett 团队提出 PRI-T，用隐马尔可夫模型从光标速度中推断用户意图目标并生成带置信度的伪标签，从而在无需监督标注的情况下重校准皮层内脑机接口解码器。

AI 要点

团队

斯坦福大学神经外科 Francis R. Willett 团队，第一作者 Guy H. Wilson，共 15 位作者；属于长期专攻脑机接口、与医院有长期临床合作的团队。

主要结果

PRI-T 用隐马尔可夫模型从光标输出推断目标（伪标签）并带置信度，实现无需监督标签的重复校准；数据来自 T5 参与者 73 次记录、跨五年。

解决什么问题

皮层内脑机接口因神经信号漂移常需每日重新校准，且标准校准需用户执行预设训练序列、期间无法自用设备。

方法

一名瘫痪参与者（T5，BrainGate2 试点临床试验），二维光标控制；用 HMM 对解码器输出做概率推断生成伪标签，再以标准优化重训解码器。

局限

从研究设计看，仅单名受试者；为方法学验证，未设对照。

AI 依据原文整理，未经人工核对。