了解解碼大腦信號模式

了解解碼大腦信號模式

研究人員表明，他們的機器學習算法可以發(fā)現(xiàn)其他方法遺漏的神經(jīng)模式。這是因為與以前的僅在搜索神經(jīng)模式時只考慮大腦信號的方法不同，新算法能夠同時考慮大腦信號和行為信號(例如手臂運動的速度)。這項研究的第-一作者Sani說，這樣做是發(fā)現(xiàn)了大腦和行為信號之間的常見模式，并且該算法還能夠更好地解碼大腦信號所代表的行為。他補充說，更一般而言，該算法可以對任何信號之間(例如，來自不同大腦區(qū)域的信號或神經(jīng)科學以外的其他領域的信號之間)的常見動態(tài)模式進行建模。

在任何給定的時刻，我們的大腦都參與各種活動。例如，在鍵盤上打字時，我們的大腦不僅指示我們的手指運動，而且還指示我們當時的口渴感。結果，腦信號包含動態(tài)神經(jīng)模式，可同時反映這些活動的組合。站立的挑戰(zhàn)是如何在大腦信號中隔離與特定行為(例如手指運動)有關的那些模式。此外，開發(fā)可幫助神經(jīng)系統(tǒng)和精神疾病患者的腦機接口(BMI)，需要將腦信號轉換為一種特定的行為，即解碼這一問題。這種解碼還取決于我們隔離與特定行為有關的神經(jīng)模式的能力。

在南加州大學維特比工程學院電氣與計算機工程系助理教授兼維特比早期職業(yè)主席Maryam Shanechi的帶領下，研究人員開發(fā)了一種機器學習算法來解決上述挑戰(zhàn)?！蹲匀簧窠?jīng)科學》(Nature Neuroscience)上發(fā)表的算法發(fā)現(xiàn)了其他方法遺漏的神經(jīng)模式，并增強了對源自大腦信號的行為的解碼。該算法在復雜大腦活動的建模和解碼方面取得了重大進步，既可以實現(xiàn)新的神經(jīng)科學發(fā)現(xiàn)，又可以增強未來的腦機接口。

Shanechi說，標準算法可能會遺漏某些與給定行為相關的神經(jīng)模式，這些神經(jīng)模式會被與同時發(fā)生的其他功能相關的模式所掩蓋。Shanechi和她的博士生Omid Sani開發(fā)了一種機器學習算法來解決這一難題。

該論文的主要作者Shanechi說：“我們*開發(fā)了一種算法，可以分離與人們感興趣的特定行為有關的腦信號中的動態(tài)模式。我們的算法在解碼這些行為方面也要好得多。來自大腦的信號。”