当你开始阅读这篇文章时，你可能会不自觉地伸手拿水杯、然后喝口水，或者转头回复一下他人发来的消息。这些看似简单的动作，实际上在大脑中引发了不同的编码过程，且是同步发生的，形成了错综复杂的大脑活动模式。
但是，对于瘫痪患者而言，他们的想法却无法转化为特定的肌肉动作。
近年来，脑机接口技术备受瞩目，它能够解读患者的思维，并将其指令传递给外部设备（比如机械臂），进而帮助他们恢复运动能力。
然而，一个关键问题：大脑中的神经网络并非简单的线性叠加，而是涉及复杂的非线性关系，这就使得同时发生的编码难以被解析。区分特定行为的大脑编码与其他行为的编码，仍是一大挑战。
日前，来自南加州大学和宾夕法尼亚大学的研究团队开发了一种人工智能（AI）算法——DPAD（DissociativePrioritizedAnalysisofDynamics），其能够有效地将特定行为的大脑模式与其他同时进行的大脑活动区分开来，提高从大脑活动中解码运动的准确性，从而显著提升脑机接口的性能。
研究团队表示，这种方法不仅可以准确地从大脑活动中解码动作，还有助于揭示大脑中可能未被注意到的新模式，从而开发出功能更强大的脑机接口，如治疗运动障碍和瘫痪以及精神疾病。
（相关研究论文以“Dissociativeandprioritizedmodelingofbehaviorallyrelevantneuraldynamicsusingrecurrentneuralnetworks”为题，已发表在Nature子刊NatureNeuroscience上。）
值得注意的是，这一算法具有极强的灵活性，未来可能用于解码如疼痛或抑郁情绪等心理状态，有助于更好地治疗心理健康状况，通过跟踪患者的症状状态作为反馈，精确地根据他们的需求定制治疗方案。
解开复杂的神经网络
DPAD是一种非线性动态建模方法，使用循环神经网络（RNN）架构和训练方法。DPAD使用两节RNN架构，分别学习行为相关的神经动态和其他神经动态，旨在解决现有方法在建模神经行为转换时的挑战，例如非线性、动力学建模、行为相关神经动态的分离和优先级以及连续和间歇行为数据建模。
图｜DPAD结构概述。
它在神经科学领域具有广泛的应用价值，研究团队通过在四个不同的非人灵长类动物数据集中进行分析，展示了DPAD的五个应用场景：
提高神经-行为预测的准确性：
DPAD通过优先学习行为相关的神经动力学，并捕捉转换中的非线性关系，从而更准确地预测行为。在多种神经模态的数据中，DPAD的预测准确性都优于线性模型和非线性动态模型。这意味着DPAD能够更好地理解神经活动如何转化为行为，并为神经科技开发提供更可靠的模型。
提取行为预测的非线性动力学变换：
DPAD能够自动识别原始局部场电位（LFP）活动中的非线性动力学变换，其预测行为的能力优于传统的LFP功率特征。在某些数据集中，DPAD的预测能力甚至超过了神经元放电。这表明DPAD能够从LFP数据中提取出更具行为预测性的信息，为LFP数据的分析提供了新的思路。
实现行为预测的非线性神经降维：
DPAD能够在保留行为信息的同时，通过提取低维的潜在状态来实现非线性神经降维。这意味着DPAD可以从原始神经数据中提取出更简洁的表示，同时保持行为预测能力。这对于神经数据的大规模处理和分析具有重要意义。
验证非线性转换的起源：
DPAD能够通过假设检验来确定神经-行为转换中非线性的起源，例如是潜在状态动力学、嵌入映射还是行为读出映射。在多个运动相关数据集中，DPAD发现非线性主要存在于潜在状态到行为的映射中。这为未来实验提供了新的假设和测试方向，有助于更深入地理解神经计算的非线性机制。
扩展到非连续和间歇性数据：
DPAD能够处理间歇性采样的行为数据，例如情绪报告。这使其适用于情感神经科学和神经精神病学等领域。DPAD还能够处理非连续值的行为数据，例如决策选择。这进一步扩展了DPAD在神经科学和神经科技中的应用范围。
但是DPAD也有一定的局限性。例如，DPAD的优化目标函数是非凸的，因此无法保证收敛到全局最优解。并且，模型的质量和神经行为预测能力取决于数据集的特性，例如信噪比。
在未来，DPAD可以用于测试更多脑区的非线性，以更全面地理解神经-行为转换。其次，DPAD也可以用于研究其他信号转换，例如不同脑区之间的信号转换，以及脑对电刺激或感觉刺激的反应。此外，DPAD也可以应用于社交互动，同时记录两个主体的脑活动，以发现社交互动中的共享跨主体动态。
当AI遇上神经科学
人类和动物的神经网络是AI基础模型“神经网络”的灵感来源，而反过来，AI如今也在神经科学领域大显其身手。
近几年，AI在神经科学领域就有多项突破。例如，去年7月，密歇根大学凯洛格眼科中心及其合作者研究团队推出了可应用于国际空间站眼科成像的多个AI框架，从而更好地了解太空适应综合症（SANS）的病理生理学并开发预防措施。
今年1月，巴勒莫大学及其合作者研究团队在论文中探索了关于AI在支持偏头痛的诊断和分类及其管理方面所发挥的作用的新证据，包括确定结果测量、个性化治疗和治疗反应预测。他们在研究中发现AI在偏头痛的诊疗中具有巨大的潜力，可以帮助患者获得更好的治疗和管理。
8月，在一项新的研究中，由加州大学戴维斯分校健康中心研究团队及其合作者开发的一种由AI驱动的大脑植入物，成功将大脑信号转换为语音，让失语患者重新开口说话，准确率高达97.5%。
AI与神经科学的结合不仅相互促进，而且开辟了新的研究路径。在未来，这种跨学科的合作有望在神经疾病的治疗、神经修复技术的开发以及大脑功能的深入理解等方面，带来更多革命性的突破。
