人工神经元帮助解码皮层信号

俄罗斯科学家提出了一种新的自动解码和解释解码器权重的算法，该算法既可以用于脑机接口，也可以用于基础研究。研究结果发表在神经工程杂志。

我们需要脑机接口来制造机器人假肢和神经植入物，康复模拟器，以及可以被思维能力控制的设备。这些设备帮助中风或身体受伤的人移动(如机器人椅或假肢)、交流、使用电脑和操作家用电器。此外，结合机器学习方法，神经接口帮助研究人员了解人类大脑是如何工作的。

最常见的脑-机接口使用神经元的电活动，例如，用脑电或脑磁图测量。然而，为了将神经元信号转换成指令，需要一个特殊的解码器。传统的信号处理方法需要艰苦的工作来识别信息特征-信号特征，从研究人员的观点，似乎是最重要的解码任务。

最初，作者们关注于皮质电图(ECoG)数据——一种直接位于硬脑膜(包裹大脑的外壳)下的皮质表面的电极对神经活动的侵入性记录——并开发了一种人工的神经网络自动提取可解释特征的体系结构。

根据科学家们的设想，神经网络算法在参数数量上不宜过于复杂。它应该自动调整，使人能够解释学习参数在生理上有意义的术语。最后一个要求尤其重要:如果满足了这个要求，神经网络不仅可以用来解码信号，还可以获得对神经元机制的新见解，这是神经科学家和神经学家的梦想成真。因此，除了一种新的用于信号处理的神经网络外，作者还提出了一种解释广义神经网络参数的方法(并在理论上进行了论证)。

研究人员提出的神经网络由几个结构相似的分支组成，每个分支自动调整，以分析特定频率范围内的单独神经群体的信号，并远离干扰。为此，他们使用了类似于组成神经网络的卷积层，用于图像分析，并充当空间和频率滤波器。知道了空间滤波器的权值，就有可能确定神经种群的位置，时间卷积权值除了间接表明神经元种群大小外，还显示了神经元活动随时间的变化。

为了评估其神经网络的性能与一种解释其参数的新方法，科学家首先生成了一组现实的模型数据，或者从44个神经元种群产生了20分钟的活动。将噪声添加到数据中以在实际条件中记录信号时模拟干扰。要检查的第二组数据是BCI竞赛IV的数据集，其中包含几个受试者的ECOG数据，他们定期自发地移动手指。科学家们自己在莫斯科国立医学和牙科牙科诊所收集了另一套ECOG数据，它是HSE大学生物电界面中心的临床基础。与以前的数据不同，科学家收集的记录包含有关ECOG电极位置的完整几何信息，每个患者的脑皮层的表面上。This made it possible to interpret the weights of the spatial filters learned by the neural network and to discern somatotopy (i.e., the relationship between the neural population's position on the cerebral cortex and the body part it functionally corresponds to) in the location of the neuron populations pivotal for decoding the movement of each finger.

神经网络表现良好:在BCI竞赛IV数据集上，它与竞赛获胜者提出的解决方案相同，但不同于解决方案，它使用的是自动选择的特征。通过对真实数据和模型数据的研究，研究人员证明了正确和详细地解释尺度参数是可能的，而且这种解释给出了生理学上合理的结果。研究人员还应用了一种新技术，基于非侵入性脑电图数据(从头部表面获得，无需植入电极)对想象运动进行分类。与ECoG的情况一样，神经网络提供了较高的解码精度和特征可解释性。

“我们已经在使用这种方法建立侵入性脑-机接口该研究的科学领导、HSE生物电子接口中心主任阿列克谢·奥萨迪(Alexei Ossadcthi)说。“在不久的将来，这项已开发的技术将被用于自动提取有关大脑执行一系列行为功能的原理知识。”

---

---