【猎云网（微信：ilieyun
）】9月1日报道（编译：福尔摩望）
每当你移动手、手指或者眼球时，大脑都会向相关肌肉发送包含运动信息的信号。该信息以特殊方式进行编码，允许其通过神经元传播，然后由相关肌肉进行正确操作。
但至于这种编码具体是如何工作仍旧是一个谜。由于这些信号经过神经元传递，所以长期以来神经科学家都能够记录到。但是想要真正理解其中的奥妙则困难的多。虽然存在各种各样的算法可以解码其中一些信号，但是效果却很差。因此，我们迫切需要一种更好的解码神经信号的方法。
如今，芝加哥西北大学的Joshua Glaser宣布他和同事们已经开发出了一种使用机器学习的解码方法。他们声称自己的解码器性能要远胜现有的方法。该团队表示这应该会成为未来分析神经信号的标准方法。
首先先介绍一些学科背景。信号以电压尖峰或动作电位的形式沿着神经纤维传递。神经科学家认为尖峰模式可以编码诸如触觉、视觉和听觉等外部刺激数据。类似地，大脑也可以类似的方式编码肌肉运动的信息。
理解这个编码是非常重要的。它允许神经科学家更好地理解发送至大脑和大脑处理的信息。同时，这也有助于解释大脑控制肌肉的机理。
工程师非常喜欢通过更好的脑机接口来控制轮椅、假肢和玩游戏。Glaser说：“解码对于理解神经信号如何与外界相关联是至关重要的。”
他们的方法很简单。他们训练猕猴使用鼠标将屏幕上的光标移向目标。每一次测试中，光标和目标在屏幕上的位置是随机的，而猕猴需要水平和垂直移动光标才能到达目标。
通过训练这些动物，Glaser和同事记录了猕猴控制运动的神经活动，包括主要运动皮质、背部前运动皮质和主要躯体感觉皮质。他们一次记录时长约20分钟，大抵是猕猴注意力能够集中的时间。
解码算法的作用是确定猕猴在每个测试中仅使用神经数据来移动光标的水平和垂直距离。
Glaser团队的目标是找出最适合的解码算法。因此，他们将数据馈送到各种常规算法和几种全新的机器学习算法中。
常规算法使用称为线性回归的统计技术进行处理。其中涉及估计数据契合的曲线，然后减少与之相关的误差。它被广泛用于诸如卡尔曼滤波器和维纳级联之类的神经解码技术中。
Glaser团队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。其中包括长周期记忆网络、递归神经网络和前馈神经网络。
所有这些神经网络都会学习注释数据集，数据集越大，学习的效果就越好。通常情况下，会将数据集分成两部分，80%用于训练算法，剩余20%用于测试算法。
结果是令人信服的。Glaser团队表示，机器学习技术的性能要远优于常规分析方法。他们说：“例如，对于三个大脑区域，长周期记忆网络解码器比维纳滤波器要高40%的方差。这些结果表明现代的机器学习技术应该成为神经解码的标准方法。”
机器学习技术在某些方面做得更好并不令人感到奇怪。神经网络最初是受大脑结构的启发，所以它们可以更好的对大脑工作原理进行建模。
神经网络的缺点是它们通常需要大量的训练数据。但是，Glaser团队故意减少了算法的训练数据量，结果显示神经网络仍然优于常规技术。
这可能是因为团队使用的是比诸如面部识别等常规技术要小的网络。他们说：“我们的网络具有10万个参数，而用于图片识别的普通网络可以有1亿个参数。”
这项工作为其他人开辟了分析基础。Glaser团队已经向技术社区开源，让现有的神经数据集可以相同的方式重新分析。
任务重大。也许最重要的任务是寻找到实时执行神经解码的方法。在记录完成后，Glaser团队的所有处理工作都是离线进行的。但是要想让解码技术变得有用，就必须要能够随时学习并预测相应运动。
这是一个拥有巨大潜力的方法。机器学习第一次应用其他科学领域，就让研究人员收获了意想不到的结果。
