AI發(fā)現(xiàn)大腦新模式，腦機接口被“增強”了！

撰文 | 馬雪薇

前言

當你開始閱讀這篇文章時，你可能會不自覺地伸手拿水杯、然后喝口水，或者轉(zhuǎn)頭回復(fù)一下他人發(fā)來的消息。這些看似簡單的動作，實際上在大腦中引發(fā)了不同的編碼過程，且是同步發(fā)生的，形成了錯綜復(fù)雜的大腦活動模式。

但是，對于癱瘓患者而言，他們的想法卻無法轉(zhuǎn)化為特定的肌肉動作。

近年來，腦機接口技術(shù)備受矚目，它能夠解讀患者的思維，并將其指令傳遞給外部設(shè)備（比如機械臂），進而幫助他們恢復(fù)運動能力。

然而，一個關(guān)鍵問題：大腦中的神經(jīng)網(wǎng)絡(luò)并非簡單的線性疊加，而是涉及復(fù)雜的非線性關(guān)系，這就使得同時發(fā)生的編碼難以被解析。區(qū)分特定行為的大腦編碼與其他行為的編碼，仍是一大挑戰(zhàn)。

日前，來自南加州大學和賓夕法尼亞大學的研究團隊開發(fā)了一種人工智能（AI）算法——DPAD（Dissociative Prioritized Analysis of Dynamics），其能夠有效地將特定行為的大腦模式與其他同時進行的大腦活動區(qū)分開來，提高從大腦活動中解碼運動的準確性，從而顯著提升腦機接口的性能。

研究團隊表示，這種方法不僅可以準確地從大腦活動中解碼動作，還有助于揭示大腦中可能未被注意到的新模式，從而開發(fā)出功能更強大的腦機接口，如治療運動障礙和癱瘓以及精神疾病。

相關(guān)研究論文以“Dissociative and prioritized modeling of behaviorally relevant neural dynamics using recurrent neural networks”為題，已發(fā)表在 Nature 子刊 Nature Neuroscience 上。

值得注意的是，這一算法具有極強的靈活性，未來可能用于解碼如疼痛或抑郁情緒等心理狀態(tài)，有助于更好地治療心理健康狀況，通過跟蹤患者的癥狀狀態(tài)作為反饋，精確地根據(jù)他們的需求定制治療方案。

解開復(fù)雜的神經(jīng)網(wǎng)絡(luò)

DPAD 是一種非線性動態(tài)建模方法，使用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）架構(gòu)和訓練方法。DPAD 使用兩節(jié) RNN 架構(gòu)，分別學習行為相關(guān)的神經(jīng)動態(tài)和其他神經(jīng)動態(tài)，旨在解決現(xiàn)有方法在建模神經(jīng)行為轉(zhuǎn)換時的挑戰(zhàn)，例如非線性、動力學建模、行為相關(guān)神經(jīng)動態(tài)的分離和優(yōu)先級以及連續(xù)和間歇行為數(shù)據(jù)建模。

圖｜DPAD 結(jié)構(gòu)概述。

它在神經(jīng)科學領(lǐng)域具有廣泛的應(yīng)用價值，研究團隊通過在四個不同的非人靈長類動物數(shù)據(jù)集中進行分析，展示了 DPAD 的五個應(yīng)用場景：

提高神經(jīng)-行為預(yù)測的準確性：

DPAD 通過優(yōu)先學習行為相關(guān)的神經(jīng)動力學，并捕捉轉(zhuǎn)換中的非線性關(guān)系，從而更準確地預(yù)測行為。在多種神經(jīng)模態(tài)的數(shù)據(jù)中，DPAD 的預(yù)測準確性都優(yōu)于線性模型和非線性動態(tài)模型。這意味著 DPAD 能夠更好地理解神經(jīng)活動如何轉(zhuǎn)化為行為，并為神經(jīng)科技開發(fā)提供更可靠的模型。

提取行為預(yù)測的非線性動力學變換：

DPAD 能夠自動識別原始局部場電位（LFP） 活動中的非線性動力學變換，其預(yù)測行為的能力優(yōu)于傳統(tǒng)的 LFP 功率特征。在某些數(shù)據(jù)集中，DPAD 的預(yù)測能力甚至超過了神經(jīng)元放電。這表明 DPAD 能夠從 LFP 數(shù)據(jù)中提取出更具行為預(yù)測性的信息，為 LFP 數(shù)據(jù)的分析提供了新的思路。

實現(xiàn)行為預(yù)測的非線性神經(jīng)降維：

DPAD 能夠在保留行為信息的同時，通過提取低維的潛在狀態(tài)來實現(xiàn)非線性神經(jīng)降維。這意味著 DPAD 可以從原始神經(jīng)數(shù)據(jù)中提取出更簡潔的表示，同時保持行為預(yù)測能力。這對于神經(jīng)數(shù)據(jù)的大規(guī)模處理和分析具有重要意義。

驗證非線性轉(zhuǎn)換的起源：

DPAD 能夠通過假設(shè)檢驗來確定神經(jīng)-行為轉(zhuǎn)換中非線性的起源，例如是潛在狀態(tài)動力學、嵌入映射還是行為讀出映射。在多個運動相關(guān)數(shù)據(jù)集中，DPAD 發(fā)現(xiàn)非線性主要存在于潛在狀態(tài)到行為的映射中。這為未來實驗提供了新的假設(shè)和測試方向，有助于更深入地理解神經(jīng)計算的非線性機制。

擴展到非連續(xù)和間歇性數(shù)據(jù)：

DPAD 能夠處理間歇性采樣的行為數(shù)據(jù)，例如情緒報告。這使其適用于情感神經(jīng)科學和神經(jīng)精神病學等領(lǐng)域。DPAD 還能夠處理非連續(xù)值的行為數(shù)據(jù)，例如決策選擇。這進一步擴展了 DPAD 在神經(jīng)科學和神經(jīng)科技中的應(yīng)用范圍。

但是 DPAD 也有一定的局限性。例如，DPAD 的優(yōu)化目標函數(shù)是非凸的，因此無法保證收斂到全局最優(yōu)解。并且，模型的質(zhì)量和神經(jīng)行為預(yù)測能力取決于數(shù)據(jù)集的特性，例如信噪比。

在未來，DPAD 可以用于測試更多腦區(qū)的非線性，以更全面地理解神經(jīng)-行為轉(zhuǎn)換。其次，DPAD 也可以用于研究其他信號轉(zhuǎn)換，例如不同腦區(qū)之間的信號轉(zhuǎn)換，以及腦對電刺激或感覺刺激的反應(yīng)。此外，DPAD 也可以應(yīng)用于社交互動，同時記錄兩個主體的腦活動，以發(fā)現(xiàn)社交互動中的共享跨主體動態(tài)。

當 AI 遇上神經(jīng)科學

人類和動物的神經(jīng)網(wǎng)絡(luò)是 AI 基礎(chǔ)模型“神經(jīng)網(wǎng)絡(luò)”的靈感來源，而反過來，AI 如今也在神經(jīng)科學領(lǐng)域大顯其身手。

近幾年，AI 在神經(jīng)科學領(lǐng)域就有多項突破。例如，去年 7 月，密歇根大學凱洛格眼科中心及其合作者研究團隊推出了可應(yīng)用于國際空間站眼科成像的多個 AI 框架，從而更好地了解太空適應(yīng)綜合癥（SANS）的病理生理學并開發(fā)預(yù)防措施。

今年 1 月，巴勒莫大學及其合作者研究團隊在論文中探索了關(guān)于 AI 在支持偏頭痛的診斷和分類及其管理方面所發(fā)揮的作用的新證據(jù)，包括確定結(jié)果測量、個性化治療和治療反應(yīng)預(yù)測。他們在研究中發(fā)現(xiàn) AI 在偏頭痛的診療中具有巨大的潛力，可以幫助患者獲得更好的治療和管理。

8 月，在一項新的研究中，由加州大學戴維斯分校健康中心研究團隊及其合作者開發(fā)的一種由 AI 驅(qū)動的大腦植入物，成功將大腦信號轉(zhuǎn)換為語音，讓失語患者重新開口說話，準確率高達 97.5%。

AI 與神經(jīng)科學的結(jié)合不僅相互促進，而且開辟了新的研究路徑。在未來，這種跨學科的合作有望在神經(jīng)疾病的治療、神經(jīng)修復(fù)技術(shù)的開發(fā)以及大腦功能的深入理解等方面，帶來更多革命性的突破。