研究人员针对特定行为隔离解码大脑信号模式

在任何给定的时刻，我们的大脑都参与各种活动。例如，在键盘上打字时，我们的大脑不仅指示我们的手指运动，而且还指示我们当时的口渴感。结果，脑信号包含动态神经模式，可同时反映这些活动的组合。站立的挑战是如何在大脑信号中隔离与特定行为(例如手指运动)有关的那些模式。此外，开发可帮助神经系统和精神疾病患者的脑机接口(BMI)，需要将脑信号转换为一种特定的行为，即解码这一问题。这种解码还取决于我们隔离与特定行为有关的神经模式的能力。

在南加州大学维特比工程学院电气与计算机工程系助理教授兼维特比早期职业主席Maryam Shanechi的带领下，研究人员开发了一种机器学习算法来解决上述挑战。《自然神经科学》(Nature Neuroscience)上发表的算法发现了其他方法遗漏的神经模式，并增强了对源自大脑信号的行为的解码。该算法在复杂大脑活动的建模和解码方面取得了重大进步，既可以实现新的神经科学发现，又可以增强未来的脑机接口。

Shanechi说，标准算法可能会遗漏某些与给定行为相关的神经模式，这些神经模式会被与同时发生的其他功能相关的模式所掩盖。Shanechi和她的博士生Omid Sani开发了一种机器学习算法来解决这一难题。

该论文的主要资深作者Shanechi说：“我们首次开发了一种算法，可以分离与人们感兴趣的特定行为有关的脑信号中的动态模式。我们的算法在解码这些行为方面也要好得多。来自大脑的信号。”

研究人员表明，他们的机器学习算法可以发现其他方法遗漏的神经模式。这是因为与以前的仅在搜索神经模式时只考虑大脑信号的方法不同，新算法能够同时考虑大脑信号和行为信号(例如手臂运动的速度)。这项研究的第一作者Sani说，这样做是发现了大脑和行为信号之间的常见模式，并且该算法还能够更好地解码大脑信号所代表的行为。他补充说，更一般而言，该算法可以对任何信号之间(例如，来自不同大脑区域的信号或神经科学以外的其他领域的信号之间)的常见动态模式进行建模。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！