研究人员对特定行为的大脑信号模式进行分离和解码

新机器学习算法可发现新的神经模式，增强脑机接口。

在任何时间，我们的大脑都会参与到各种活动之中。例如，在键盘上打字时，我们的大脑不仅要指挥我们的手指操作，还会让我们同时感到口渴的程度。由此可见，大脑信号动态的神经模式，可以同时反映一系列各种不同的活动。长期以来，怎么从这些动态神经模式的大脑信号中分离出与特定行为（如手指运动），一直是种挑战。此外，另一种挑战是开发脑机接口(BMI)以协助患有神经和精神障碍的患者，这需要将大脑信号转换成特定的解码行为。解码也依赖我们分离神经模式中的各种相关特定行为的能力。这些神经模式可能会被其他活动相关的模式掩盖，进而被计算机的标准算法所遗漏。

Maryam Shanechi是南加州大学Viterbi工程学院电子与计算机工程专业、助理教授、兼任早期职业生涯主席。在他的领导下，研究人员开发了一种机器学习算法，成功地解决了上述挑战。该成果发表在《自然-神经科学》(Nature Neuroscience)上，揭示了其他方法所遗漏的神经模式，增强了对大脑信号的行为的解码能力。在模拟和解码复杂的大脑活动方面，取得了重大的进展，给神经科学新发现提供了可能性，为未来的脑机接口研究带来活力。

Shanechi称，与特定行为相关的一些神经模式，会被同时发生的其他功能相关的模式所掩盖，因此标准算法可能会遗漏这些模式。Shanechi带着她的博士生Omid Sani开发了一种机器学习新的算法来解决这一挑战。

这篇论文的第一资深作者Shanechi表示：“我们已开发了一种算法，在历史上首次，对人们感兴趣问题，即神经动态模式中大脑各种信号与特定的行为做了成功的分离。使用我们的算法，还可以更好地解码源自大脑信号的这些行为。”

研究人员表示，他们的机器学习算法可以发现被其他方法遗漏的某些神经模式。其中的原因在于，以往的方法在搜索神经模式时只考虑大脑信号，而新算法能够同时考虑大脑信号和行为信号，比如手臂运动的速度。该研究的第一作者Sani说道，这样，我们的算法发现了大脑和行为信号之间的共同模式，从而能够更好地解码大脑信号所对应的行为。他补充说道，更简要地说，这种算法可以对任何信号之间的共同动态模式建构新模式，例如，不同大脑区域的信号之间或神经科学以外其他领域的信号之间的共同动态模式。

为了测试新算法，这项研究的作者（包括Shanechi的博士生Omid Sani和Hamidreza Abbaspourazad，以及纽约大学的神经科学教授Bijan Pesaran和纽约大学的前博士后Yan Wong）使用了Pesaran实验室收集的四个现有数据集。这些数据集基于执行不同的手臂和眼动任务时的神经活动变化的信号记录。

这种新算法可以显著提高对大脑信号产生的动作或言语的解码能力，从而将这些信号转换成特定的所需行为，如身体动作等。在未来，该算法有望被用于开发增强型的脑机接口，为瘫痪患者带来福音。这让瘫痪患者仅仅通过想像移动手臂，就能移动机械手臂，或仅仅通过思考话语就能进行言语。此外，该算法还可分离与情绪症状相关的大脑信号，并对这些症状进行实时跟踪，从而帮助治疗患有严重抑郁症等棘手心理健康问题的患者（Shanechi在之前完成的研究中对此进行了概述）。治疗师可将跟踪的症状表现用作反馈，根据患者的需求定制治疗方案。

Shanechi补充说道：“这种机器学习算法可以分离与不同大脑功能相关的动态神经模式，从而让我们能够进一步探索有关大脑功能的基本问题，并开发增强型脑机接口，让神经和精神障碍患者重获丧失的功能。”

这项研究由Shanechi领导，主要由美国陆军研究办公室资助，是美国国防部、英国国防部和英国工程和物理科学研究理事会合作开展的多学科大学研究计划(MURI)项目之一。该研究还获得了美国海军研究办公室(ONR)青年研究者计划、美国国家科学基金会职业生涯奖和美国国立卫生研究院的支持。

编辑：Viterbi工程学院工作人员

头图：大脑纤维具有极高的复杂性。相较于以往的模型，新机器学习方法可分离出与特定行为相关的大脑信号模式，从而更好地解码行为。图片鸣谢：OMID SANI和MARYAM SHANECHI，SHANECHI实验室