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現其他方法遺漏的神經模式。這是因為與以前的僅在搜索神經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，這樣做是發現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，來自不同大腦區域的信號或神經科學以外的其他領域的信號之間)的常見動態模式進行建模。

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，腦信號包含動態神經模式，可同時反映這些活動的組合。站立的挑戰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，開發可幫助神經系統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主席Maryam Shanechi的帶領下，研究人員開發了一種機器學習算法來解決上述挑戰。《自然神經科學》(Nature Neuroscience)上發表的算法發現了其他方法遺漏的神經模式，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，既可以實現新的神經科學發現，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模式，這些神經模式會被與同時發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。”