分享 | 机器学习如何帮助神经科学家破解我们的神经代码

原作者：Emerging Technology

译者：彭婷

概要：了解大脑如何编码信息是神经科学现在面临的一个巨大挑战。而神经网络将成为伟大的代码破解者。 

每当你移动你的手或手指，亦或是转动眼珠时，大脑会向相关的肌肉发送信号，而这些肌肉中就包含了引发动作的信息。该信息以特殊方式进行编码，而这种方式将允许信息通过神经元传播，然后由相关肌肉进行操控。

这个代码到底是如何工作的现在仍是个谜。神经科学家长期以来只是能够记录这些信号通过神经元的过程。但是，要理解它们就更为困难了。现在虽然有各种各样可以解码这些信号的算法，但是它们的性能都比较差。所以，我们现在迫切需要一种更好的解码神经信号的方法。

今天，芝加哥西北大学的Joshua Glaser和几位朋友说，他们已经开发出了使用机器学习新兴技术的一种解码技术。他们说他们的解码器明显优于现有的方法。事实上，该团队表示，将来这种技术应该成为分析神经信号的标准方法。

首先，了解一下背景知识。信息是沿着神经纤维以电压脉冲或动作电位的形式传播的。神经科学家认为脉冲模式可以编码有关外部刺激的数据，例如触摸，视力和声音。同样地，大脑也是以类似的方式编码关于肌肉运动的信息。

理解这个代码是神经科学家们的重要目标。因为理解代码后，他们才能够更好地了解由大脑发送和处理的信息。而且这也有助于解释大脑是如何控制肌肉的。

工程师们热切希望有更好的脑机接口来控制轮椅，假肢和视频游戏。 Glaser和Cole说：“解码是了解神经信号如何与外界联系的重要工具。”

他们的方法很简单。他们训练猕猴用一种电脑鼠标将屏幕光标移向一个目标。在每个测试中，光标和目标随机出现在屏幕上，而要将光标移向目标，猴子必须水平或垂直地移动电脑鼠标。

在训练完这些动物之后，Glaser和Cole记录了几十个神经元，它们都处在控制运动的大脑部分，而这些部分包括主要的运动皮层，背部运动皮层和初级躯体感觉皮层。他们的录音持续了大约20分钟，而这个与猴子和实验者的注意力跨度有关。

解码算法就是确定猴子在每个测试中只使用神经数据来移动光标时的水平和垂直距离。

Glaser和Cole的目的是找出最佳的解码算法。因此，他们将数据馈送到各种常规算法和几种新的机器学习算法中去。

常规算法使用的是称为线性回归的统计技术进行工作。这个要估计适合数据的曲线，然后减少与之相关的误差。它也被广泛用于诸如Kalman滤波器和Wiener级联等神经解码的技术中。

Glaser和Cole将这些技术与基于神经网络的各种机器学习方法进行了比较。 它们包括长时间记忆网络，循环神经网络和前馈神经网络。

所有的这些都是从注释数据集中学习，并且数据集越大，学习效果越好。通常数据集会被划分为两个部分：80%的数据集用于训练算法，另外20％的数据集用于测试算法。

结果非常具有说服力。 Glaser和Cole说，机器学习技术显著地优于常规分析。 “例如，在这三个大脑区域中，一个Long Short Term Memory Network解码器解释了Wiener滤波器中40％的无法解释的方差，”他们说：“这些结果表明现代机器学习技术应该成为神经解码的标准方法。”

在某些方面，机器学习技术更为突出的表现并不会让我们感到奇怪。神经网络最初是受大脑架构的启发，所以事实上他们可以更好地模拟它的工作原理。

神经网络的缺点是它们通常需要大量的训练数据。但是，Glaser和Cole故意减少了给算法的训练数据量，结果他们发现神经网络的表现仍然胜过常规技术。

这可能是因为该团队使用的网络比传统的用于面部识别等技术的网络要小。他们说：“我们的网络只有10万个参数，而用于图像分类的普通网络却有1亿个参数。”

这项工作为其他人开辟了道路。为了让现有的神经数据集可以以相同的方式重新分析，Glaser和Cole已经向社区提供了他们的代码。

现在仍然还有很多事亟待要做。但也许最重要的任务就是寻找在现实中能够进行神经解码的方法。录音完成后，Glaser和Cole的所有作品都离线完成了。但是，如果能够在飞行中获知并预测要发生的运动将会非常有用。

这是一个极具潜力的强大方法。在机器学习首次应用的其他科学领域中，研究人员偶然发现了许多低悬的果实。如果神经解码有所不同的话，那将会是一个惊喜。

长按图片，识别二维码，关注“天津大学神经工程与康复实验室”！