人造神经元有助于解码皮质信号

俄罗斯科学家提出了一种新的自动解码算法和解释解码器权重，可以在脑计算机接口和基本研究中使用。研究结果发表在神经工程学报。

需要脑电脑接口来创建机器人假体和神经塑料，康复模拟器和可通过思想的力量控制的设备。这些设备有助于遭受中风或身体伤害的人（在机器人椅子或假体的情况下），沟通，使用计算机和操作家用电器。另外，与机器学习方法结合，神经界面有助于研究人员了解人脑的作​​品。

大多数脑电计算机界面使用神经元的电活动，例如用电气或磁性脑图测量。然而，需要一种特殊的解码器以将神经元信号转换为命令。传统的信号处理方法需要良好的工作来识别信息，从研究人员的角度来看，对于解码任务来说似乎是最重要的。

最初，作者集中在电压 - 电压（ECOG）数据上 - 具有直接位于硬脑膜下方的皮质表面上的电极的神经活动的侵入性记录，该壳体封装脑 - 并开发人工神经网络自动提取可解释功能的架构。

正如科学家所构思的那样，神经网络算法在参数的数量方面不应过于复杂。它应该自动调整并启用一个以在生理上有意义的术语中解释学习参数。最后一个要求尤为重要：如果满足，则神经网络不仅可以用于解码信号，还可以获得新的洞察神经元机制，梦想为神经科学家和神经科学家成真。因此，除了用于信号处理的新神经网络之外，作者提出（以及理论上是合理的）一种解释广泛类神经网络的参数的方法。

研究人员提出的神经网络由几个类似结构化的分支组成，每个分支被自动调谐以分析某个频率范围内单独的神经群体的信号，并从干扰调谐。为此，他们使用类似于包括神经网络的卷积层，锐化用于图像分析，并充当空间和频率滤波器。了解空间过滤器的重量，可以确定神经群所在的位置，并且时间卷积重量除了间接指示神经元群体大小之外，除了间接指示神经元群体之外还如何随时间变化。

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.

神经网络表现很好：通过BCI竞争IV数据集，它与竞争赢家提出的解决方案相符，但与解决方案不同，它会自动选择选定的功能。在使用真实和模型数据的同时，研究人员证明可以正确地详细解释规模参数，并详细解释尺度参数，并解释给出生理卓越的结果。研究人员还基于非侵入性（从头部的表面获得而不植入电极获得的基于非侵入性的假想运动的分类来应用新技术。与ECOG一样，神经网络提供了高解码精度和特征解释性。

“我们已经使用这种方法来构建侵入性大脑 - 计算机接口并解决术前皮质映射的问题，以确保在脑外手术后保留关键行为功能是必要的，“研究的科学领导和生物电界面的HSE中心主任Alexei Ossadcthi”。在最近的未来，开发技术将用于自动提取关于根据该原则的知识，大脑实现广泛的行为功能。“

---

---