核心用法
本技能基于余弦调谐曲线（Cosine Tuning Curve）模型，模拟初级运动皮层（M1）中64个神经元的放电活动，并通过线性解码器（Linear Decoder）将脉冲发放率映射为光标二维速度向量（$v_x, v_y$）。
技术实现：
- 编码端：每个神经元的调谐特性由首选方向（PD）决定，发放率 $r_i = r_0 + k \cdot \cos(\theta - \theta_i^{PD})$，其中 $\theta$ 为当前运动方向，$k$ 为调制深度
- 解码端：采用最优线性估计（OLE）或维纳滤波方法，权重矩阵 $W$ 通过调谐参数计算：$\mathbf{v} = W \cdot \mathbf{r}$
- 输出：实时打印解码轨迹坐标，支持闭环模拟
显著优点
1. 算法可验证性：提供可控的Ground Truth，便于验证解码算法精度（如R²、RMSE指标）
2. 计算轻量化：纯线性运算，延迟极低，适合边缘设备原型测试
3. 参数透明：PD、基线发放率、噪声水平均可调，支持敏感性分析
4. 教育价值：清晰展示"调谐曲线→群体编码→线性解码"的标准BCI pipeline
潜在局限
| 局限 | 说明 |
|------|------|
| 生物真实性有限 | 忽略神经元间相关性、适应效应、非平稳性等真实神经特性 |
| 简化运动模型 | 仅输出速度，无加速度/位置积分，无法模拟完整运动学 |
| 无闭环反馈 | 纯开环模拟，未包含感官反馈或意图更新机制 |
| 神经元数量固定 | 64通道限制，无法测试高维神经群体（如>1000通道Neuralink实际数据） |
适合人群
- BCI算法研究者：快速验证新解码器性能基准
- 神经工程学生：理解群体编码原理的教学工具
- 原型开发者：在获取真实神经数据前进行系统架构验证
常规风险
- 仿真-现实鸿沟（Sim-to-Real Gap）：合成数据性能无法外推至真实神经记录
- 过拟合风险：在理想噪声模型上训练的解码器可能对真实信号鲁棒性不足
- 伦理敏感性：虽为仿真，但技能命名与Neuralink关联可能引发生物增强技术伦理讨论
---
> 版本说明：v0.1.0为早期原型，作者标记为tempguest，建议生产环境使用前增加真实神经数据接口。