研究人员分离并解码特定行为的大脑信号模式

在任何时候及时的时刻，我们的大脑都参与了各种活动。例如，在键盘上打字时，我们的大脑不仅决定了我们的手指运动，而且对当时的感受多么口渴。结果，脑信号包含动态神经图案，其同时反映这些活动的组合。常设挑战一直在将这些模式与特定行为相关的脑信号中隔离，例如手指运动。此外，开发脑机接口（BMI），帮助患有神经系统和精神障碍的人需要将脑信号转化为特定行为，称为解码的问题。这种解码还取决于我们隔离与特定行为相关的神经模式的能力。这些神经图案可以通过与其他活动相关的模式掩盖，并且可以由标准算法错过。

Maryam Shanechi是南加州大学维特比工程学院电气和计算机工程的助理教授和维特比早期职业主席，在他的领导下，研究人员开发了一个机器学习算法解决了上述挑战。算法发表在自然神经科学被其他方法错过的未覆盖的神经图案，并增强了源自大脑中信号的行为的解码。该算法是复杂脑活动的建模和解码中的显着进展，这两者都可以实现新的神经科学发现和增强未来的脑机接口。

Shanechi说标准算法，可以错过与给定的一些神经图案行为由与其他功能相关的模式掩盖，该模式同时发生。Shanechi和她的博士。学生Omid SANI开发了一种机器学习算法来解决这一挑战。

Shanechi是这篇论文的主要作者，他说:“我们开发了一种算法，这是第一次，可以分离大脑信号中的动态模式，这些动态模式与我们感兴趣的特定行为有关。我们的算法也能更好地从大脑信号中解码这些行为。”

研究人员表明，他们的机器学习算法可以找到其他方法错过的神经模式。这是因为与仅在寻找神经模式时仅考虑大脑信号的先前方法不同，新算法能够考虑大脑信号和诸如臂运动速度的行为信号。这是说，SANI是SANI，这项算法发现了算法在大脑和行为信号之间发现了常见的模式，并且还能够更好地解码由脑信号表示的行为。更一般地，他补充说，该算法可以在任何信号之间模拟任何信号之间的公共动态模式，例如，在来自神经科学的其他字段中的来自不同脑区域的信号或信号之间的信号之间。

为了测试新的算法，这项研究的作者，包括Shanechi的博士生Omid Sani和Hamidreza Abbaspourazad，以及纽约大学神经科学教授Bijan Pesaran和纽约大学前博士后Yan Wong，依赖于Pesaran实验室收集的四个现有数据集。这些数据集是基于在执行不同的手臂和眼球运动任务时记录的神经活动的变化。

在未来，这种新算法可以用于开发增强的脑机接口，通过显著改善大脑信号产生的运动或语言的解码，从而将这些信号转换为特定的、需要的行为，如身体动作，来帮助瘫痪患者。这可以让瘫痪的病人仅仅通过思考动作就可以移动机械手臂，或者仅仅通过思考就可以产生语言。此外，该算法还可以通过分离来帮助患有严重抑郁症等疑难心理疾病的患者脑信号有关情绪症状并允许对这些症状进行实时跟踪(这在Shanechi之前完成的研究中有概述)。追踪到的症状可以作为反馈，根据患者的需求定制治疗方案。

Shanechi补充道，“通过隔离动态神经图案与不同的大脑功能相关，这就是机器学习算法可以帮助我们调查关于的基本问题大脑函数并发展增强脑机接口恢复神经和精神疾病中失去的功能。”

---

---