arXiv eess.SP（Signal Processing）·2026-11-04 13:00· 2 小时前精选AI 评分58

多伦多大学 Terence D. Sanger 团队提出 SPIRE，分离多脑区 LFP 的共享与区域特异表征

SPIRE: Shared-Private Representation Learning for Continuous Multi-Region LFP under Perturbation

AI 导读

多伦多大学 Terence D. Sanger 团队提出 SPIRE（Shared-Private Inter-Regional Encoder），用区域特异序列编码器、受限时间对齐、仅共享重建和方差正则，把连续多脑区 LFP 分解为共享与区域特异的潜在轨迹。

AI 要点

团队

第一作者 Rahil Soroushmojdehi，末位作者 Terence D. Sanger，共 4 位作者。

主要结果

在合成基准上，SPIRE 能优先恢复共享与区域私有信息；在 GPi-STN LFP 上，共享表征可跨区域预测活动，私有表征的跨区域预测接近结构化时间零模型。

解决什么问题

从连续多区域 LFP 中分离共享与区域特异表征，应对信号非线性、自相关、频谱结构化和时间错位。

方法

用区域特异序列编码器、约束时间对齐、仅共享重建和方差正则，将多区域 LFP 分解为共享与区域特异潜在轨迹；并用于 DBS 数据。

局限

从研究设计看，跨区域分离被作者描述为功能性而非严格统计分离；方法验证以合成基准和离线记录分析为主。

AI 依据原文整理，未经人工核对。

AI 推荐理由

方法把多脑区 LFP 拆成共享与区域特异成分，并在人体 GPi-STN 记录和 DBS 数据上做了检验，可供做跨区域表征分析的人参考。