Building population models for large-scale neural recordings: opportunities and pitfalls
University of Edinburgh(爱丁堡大学)
现代记录技术现在可以同时记录大量神经元。这推动了用于分析和解释神经元群体活动的新统计模型的发展。在此,我们对这一领域的最新发展进行了广泛的概述。我们比较和对比不同的方法,突出优势和局限性,并讨论这些方法提供的生物和机械的见解。
2021-07-10 cs.LG q-bio.NC
A novel cost-effective fabrication of a flexible neural probe for brain signal recording
本研究提出一种基于Kapton、金和SU-8的经济高效柔性神经探针制造方法,通过低阻抗微电极记录斑胸草雀体内LFP信号,并经商业电极验证,展示了其生物相容性和商业应用潜力。
2025-09-11 q-bio.NC
Neural Recording Power Optimization Through Machine Learning Guided Resolution Reconfiguration
University of California, Berkeley(加州大学伯克利分校);Weill Neurohub(韦尔神经中心)
本文提出通过机器学习引导的分辨率重构来降低神经记录植入体功耗,在癫痫检测、手势识别和力回归中分别节省8.7倍、12.8倍和23.0倍功耗,优于通道选择策略。
2026-09-09 q-bio.NC
Multifunctional fiber-based optoacoustic emitter for non-genetic bidirectional neural communication
具有“写”和“读”功能的双向脑接口可以是神经系统疾病的基础研究和潜在临床治疗的重要工具。在这里,我们报告了一个小型化的多功能光纤为基础的光声发射器(mFOE),第一次集成了同时非遗传光声刺激的“写”和电生理记录的神经回路的“读”。非遗传特征解决了灵长类动物和人类中光遗传学所需的病毒转染的挑战。光声波与电场的正交性为避免电刺激与记录之间的干扰提供了一种解决方案。我们首先使用钙成像验证了mFOE在大鼠培养神经元中的非遗传刺激功能。在小鼠海马中,在长达1个月的急性和慢性应用中证实了mFOE用于成功同时光声刺激和脑活动电记录的体内应用。在这些应用之后,已经证实了最小的脑组织损伤。mFOE实现的非遗传神经刺激和记录能力为神经回路的研究开辟了新的可能性,并为超声神经刺激的研究带来了新的见解。
2023-01-09 q-bio.NC
Identifying stimulus-driven neural activity patterns in multi-patient intracranial recordings
Dartmouth College(达特茅斯学院)
识别刺激驱动的神经活动模式对于研究认知的神经基础至关重要。这在颅内数据集中可能特别具有挑战性,其中电极位置通常因患者而异。本章首先概述了在一般情况下识别刺激驱动的神经活动模式的主要挑战。接下来,我们将回顾几种特定于模态的注意事项和方法,并讨论颅内记录特有的几个问题。在此背景下,我们将考虑各种受试者内和跨受试者的方法来识别和建模多患者颅内记录中刺激驱动的神经活动模式。这些方法包括广义线性模型,多变量模式分析,表征相似性分析,联合刺激活动模型,分层矩阵分解模型,高斯过程模型,几何对齐模型,受试者间的相关性,和受试者间的功能相关性。从最近的文献中的例子来说明的主要概念,并提供每种方法的概念直观。
2022-02-04 cs.LG q-bio.NC
Connectivity Inference from Neural Recording Data: Challenges, Mathematical Bases and Research Directions
本文综述了从多电极记录或荧光成像获得的神经活动数据进行连接性推断的计算方法。我们首先确定沿数据处理管道的连接性推断的生物物理和技术挑战。然后,我们审查连接推理方法的基础上两个主要的数学基础,即描述性的无模型方法和生成模型为基础的方法。我们调查了这两类有代表性的研究,并澄清了哪些挑战已经通过哪种方法得到了解决。我们进一步确定关键的开放问题和可能的研究方向。
2017-12-15 q-bio.NC q-bio.QM
NeuroLens: Learning Latent Embeddings of Neural Semantics from Chronic Recordings
Northwestern University(西北大学);University of Cambridge(剑桥大学);Johns Hopkins University(约翰霍普金斯大学);Columbia University(哥伦比亚大学);University of California, Los Angeles(加州大学洛杉矶分校);Stanford University(斯坦福大学)
NeuroLens利用JEPA框架的自监督模型,从慢性神经记录中学习去噪潜在表征,改善决策和语义解码,支持跨会话泛化与少样本适应,为研究神经表征动态提供新范式。
2026-10-05 cs.LG q-bio.NC
Extracting spatial-temporal coherent patterns in large-scale neural recordings using dynamic mode decomposition
神经科学界广泛需要理解和可视化神经活动的大规模记录,即通过数十或数百个电极同时记录数分钟至数小时的动态大脑活动获得的大数据。这种动态数据集的特征在于跨空间和时间的相干模式,然而现有的计算方法通常仅限于分别在空间或时间上进行分析。在这里,我们报告的适应动态模式分解(DMD),最初开发的流体物理研究的算法,大规模的神经元记录。DMD是一种模态分解算法,它使用耦合的时空模式来描述高维动态数据;所得到的分析结合了在空间上执行主成分分析(PCA)和在时间上执行功率谱分析的关键特征。该算法很容易扩展到非常大量的同时采集的测量。我们验证了DMD的方法,从人类受试者执行一个已知的运动激活任务的硬膜下电极阵列记录。接下来,我们利用DMD与机器学习的结合,开发了一种新的方法来从相同的受试者中提取睡眠梭形网络。我们认为,DMD是普遍适用的分析和理解的大规模记录的神经活动的一个强大的方法。
2014-09-19 q-bio.NC q-bio.QM
Neural origins of self-generated thought: Insights from intracranial electrical stimulation and recordings in humans
功能性磁共振成像(fMRI)已经开始缩小自我产生的思维形式的神经相关性,目前的证据指向默认,额顶叶和视觉网络的中心作用。最近的研究将思维的产生与默认网络活动联系起来,但功能性磁共振成像有限的时间分辨率排除了关于大脑中自我创造的心理内容是在哪里产生的以及如何实现的更详细的结论。在这里,我认为,无与伦比的时空分辨率的颅内电生理(iEEG)在人类癫痫患者可以开始提供答案的问题,具体的神经起源的自我生成的想法。我回顾了过去几十年来iEEG研究的大量文献,发现许多涉及被动记录或直接电刺激的研究都指向内侧颞叶作为思想产生的关键部位。与此同时,来自其他大脑区域的零效应表明,其他各种默认网络枢纽,如后扣带皮层和顶下小叶,在自我生成或启动梦、视觉意象、记忆和预期模拟等心理内容方面可能只发挥了边缘作用(如果有的话)。最终,将各种神经科学方法结合起来,弥补彼此的弱点,互补彼此的优势,可能是理解大脑与直接环境脱钩并产生自己体验的非凡能力的最有效方法。
2017-03-30 q-bio.NC
Multiplexed Neural Recording Down a Single Optical Fiber via Optical Reflectometry with Capacitive Signal Enhancement
我们介绍了一种无造影剂神经记录的光纤结构,并从理论上研究了其性能。我们的传感器设计受到电光调制器的启发,电光调制器通过在电光核心材料上施加电场来调制波导的折射率,并且允许以20 μ m的轴向分辨率记录位于沿着10 cm长的光纤的点处的单个神经元的活动,灵敏度低至100 uV和动态范围高达1V,使用市售的光学反射计作为读出设备。该设计的一个关键概念是通过在纳米级距离上从神经尖峰施加细胞外电压来在光波导内创建“增强”电场的能力。实现这一概念需要使用高介电电容器层。如果能找到合适的材料--在毒性、欧姆结和表面电容方面具有良好的特性--那么原则上,这种传感纤维可以缩小到几微米的横截面,用于微创神经接口。因此,定制设计的多材料光纤,使用反射读数探测,可以为神经传感提供强大的平台。
2015-06-02 physics.optics q-bio.NC
Random neural networks match observed dimensionality of neural population recordings and motivate stronger experimental tests
Emory University(埃默里大学)
通过将有限测量时间和行为上下文变异性纳入动态平均场理论,证明随机神经网络预测的维度与大规模记录一致,并指出流形方向相似性比维度对网络结构更敏感。
2026-05-26 cond-mat.dis-nn physics.bio-ph q-bio.NC
Deep Neural Imputation: A Framework for Recovering Incomplete Brain Recordings
Caltech(加州理工学院);UCSF(加州大学旧金山分校);U of Washington(华盛顿大学)
神经科学家和神经工程师长期以来一直依赖多电极神经记录来研究大脑。然而,在一个典型的实验中,许多因素会破坏来自单个电极的神经记录,包括电噪声、运动伪影和制造缺陷。目前,通常的做法是丢弃这些损坏的记录,减少已经有限的数据,难以收集。为了解决这一挑战,我们提出了深度神经插补(DNI),这是一个框架,通过从跨空间位置,日期和参与者收集的数据中学习,从电极中恢复缺失值。我们使用线性最近邻方法和两个深度生成自动编码器探索我们的框架,展示了DNI的灵活性。一个深度自动编码器单独对参与者进行建模,而另一个则扩展此架构以联合对许多参与者进行建模。我们在12名植入多电极颅内皮层电图阵列的人类参与者中评估了我们的模型;参与者没有明确的任务,并且在数百小时的记录中表现得很自然。我们表明,DNI恢复不仅时间序列,而且频率内容,并进一步建立DNI的实用价值,通过恢复显着的性能在一个科学相关的下游神经解码任务。
2022-06-16 cs.LG cs.NE q-bio.NC
Capturing cross-session neural population variability through self-supervised identification of consistent neuron ensembles
University of Edinburgh(爱丁堡大学);Icahn School of Medicine at Mount Sinai(西奈山伊坎医学院);Feinberg School of Medicine(范伯格医学院);Northwestern(西北大学)
从记录的神经活动中解码刺激或行为是研究中询问大脑功能的常用方法,也是脑机接口和脑机接口的重要组成部分。甚至从小的神经群体进行可靠的解码也是可能的,因为高维神经元群体活动通常占据可用合适的潜在变量模型来表示的低维流形。然而,随着时间的推移,单个神经元的活动漂移和神经记录设备的不稳定性可能是相当大的,使得在数天和数周内稳定解码变得不切实际。虽然不能在单个神经元水平上预测这种漂移,但是当底层流形随时间稳定时,连续记录会话上的群体水平变化(诸如不同的神经元集合和记录数据中一致神经元的变化排列)可以是可学习的。跨会话对一致神经元与不熟悉神经元的分类以及说明在记录会话上记录数据集中的一致记录神经元的顺序的偏差然后可以维持解码性能。在这项工作中,我们证明了深度神经网络的自监督训练可以用来补偿这种会话间的变化。因此,顺序自动编码模型可以在未来几天内为完全不可见的记录会话保持最先进的行为解码性能。我们的方法只需要一个单一的记录会话来训练模型,并且是迈向可靠的,无需重新校准的脑机接口的一步。
2023-01-05 cs.LG q-bio.NC
Physical Principles for Scalable Neural Recording
以毫秒级的分辨率同时测量哺乳动物大脑中所有神经元的活动是一项挑战,超出了神经科学现有技术的限制。可能需要非常新的方法,促使对问题的基本物理限制进行分析。我们概述了使用光学,电,磁共振和分子形式的神经记录的大脑活动映射的物理原理。专注于小鼠大脑,我们分析了每种方法的可扩展性,集中在时空分辨率,能量耗散和体积位移所施加的限制。我们还研究了嵌入脑组织中的微型设备的供电和通信物理学。
2013-09-16 physics.bio-ph q-bio.NC
CORNN: Convex optimization of recurrent neural networks for rapid inference of neural dynamics
本文提出CORNN方法,通过凸优化训练循环神经网络,实现比传统方法快约100倍的神经动力学快速推断,并能在模型失配等条件下稳健再现网络动态,助力实时神经记录分析。
2023-11-16 q-bio.NC
Circumstantial evidence and explanatory models for synapses in large-scale spike recordings
本文探讨如何仅凭脉冲序列记录研究神经元间突触连接,提出系统性评估旁证的方法,并展示突触效应模型如何为成对脉冲统计提供可检验预测,从而拓展大规模脉冲记录的数据分析问题。
2023-11-25 q-bio.NC
Data-driven modeling of the olfactory neural codes and their dynamics in the insect antennal lobe
昆虫嗅觉初级处理中心触角叶(AL)神经元的记录显示,AL能够将来自化学受体的输入处理成不同的神经活动模式,称为嗅觉神经代码。这些令人兴奋的结果显示了神经代码的重要性及其与感知的关系。下一个挑战是神经代码的\emph{model the dynamics}。在我们的研究中,我们进行多通道记录从投射神经元在AL驱动不同的气味。然后,我们从电生理数据导出一个神经网络。该网络由侧抑制神经元和兴奋神经元组成,能够为被测气味产生独特的嗅觉神经代码。具体来说,我们(i)为来自AL的神经记录设计一个投影,一个气味空间,它区分不同的气味轨迹(ii)表征气味识别,即,基于嗅觉信号的决策;(iii)推断神经回路的布线,即AL的连接体。我们表明所构建的模型与生物学观察结果一致,例如对比度增强和对噪音的鲁棒性。这项研究回答了一个关键的生物学问题,即确定侧抑制神经元如何连接到兴奋神经元以允许强大的活动模式。
2013-11-29 q-bio.NC
Spatio-temporal patterns in multi-electrode array local field potential recordings
本文提出了一种检测多电极阵列神经记录中活动行波的方法。该方法将局部场电位测量值转换为相域,并拟合一系列线性模型以找到平面行波的活动。在这里,我提出了新的方法,在以前的工作的背景下,它扩展,应用该方法的数据从神经记录从一个单一的动物,并验证模拟数据的方法的成功。这篇论文写于2011年,尽管它在2014年被上传到arXiv。
2015-01-01 q-bio.NC stat.AP
Predicting synchronous firing of large neural populations from sequential recordings
神经科学的一个主要目标是了解神经元群体如何编码刺激或动作。虽然可以同时记录的神经元数量正在快速增加,但在大多数情况下,这些记录无法访问完整的群体。特别是,很难同时记录给定区域中相同类型的所有神经元。由于遗传和生理学工具,最近的进展使得在给定区域中对每个记录的神经元进行分析成为可能,并将来自不同实验阶段的相同类型神经元的记录汇集在一起。然而,目前还不清楚如何从这些连续记录中推断出相同类型的完整神经元群体的活动。神经网络表现出集体行为,例如噪声相关性和同步活动,这些行为不能被条件独立的模型直接捕获,条件独立的模型只会将来自顺序记录的脉冲序列放在一起。在这里,我们表明,我们可以推断出一个完整的人口的视网膜神经节细胞的连续记录的活动,使用一种新的方法的基础上copula分布和最大熵建模。从每个神经节细胞对重复刺激的尖峰反应,以及一些成对的记录,我们可以使用copula预测噪声相关性,然后使用最大熵建模来预测大量相同类型神经节细胞的全部活动。值得注意的是,我们可以概括地预测群体对不同刺激甚至不同实验的反应。因此,我们可以使用我们的方法来构建一个非常大的群体,合并来自不同实验的细胞反应。我们准确地预测了同步活动,并显示它随着神经元数量的增加而大幅增长。这种方法是一种很有前途的方式来推断人口活动的连续记录在感觉区。
2019-04-09 cond-mat.dis-nn q-bio.NC
Leveraging Recurrent Neural Networks for Predicting Motor Movements from Primate Motor Cortex Neural Recordings
本研究针对非人灵长类神经记录的运动解码问题,提出采用AEGRU模型(训练阶段用自编码器提升泛化),结合预处理在Neurobench基准及IEEE BioCAS 2024神经解码挑战赛中取得最优$R^2$成绩,且剪枝后可大幅降低运算量且性能损失极小。
2024-11-01 cs.LG eess.SP q-bio.NC
Bayesian latent structure discovery from multi-neuron recordings
神经回路包含在类型、位置、连接性和基本响应特性上不同的异质神经元组。然而,传统的降维和聚类方法不适合恢复神经回路组织的结构。特别是,它们没有利用多神经元记录中丰富的时间依赖性,也没有考虑到神经尖峰序列中的噪声。在这里,我们描述了新的工具,用于推断潜在的结构,从同时记录的尖峰训练数据使用的多神经元点过程模型,通常被称为广义线性模型(GLM)的分层扩展。我们的方法结合了GLM与灵活的图论先验管理潜在功能和神经连接模式之间的关系。完全贝叶斯推断通过波利亚-伽马增强的结果模型,使我们能够分类神经元和推断潜在的尺寸电路组织相关的尖峰列车。我们证明了我们的方法的有效性与应用程序的合成数据和多神经元记录在灵长类动物视网膜,揭示了潜在的模式的神经类型和位置,从尖峰列车。
2016-10-26 q-bio.NC stat.ML
Convolution Metric for Neuron Membrane Potential Recordings
我提供了一个卷积度量,它将神经膜电位记录作为参数,并比较它们的阈下特征以及其中尖峰的时间和数量--用记录之间的单个“距离”总结这些差异。基于van Rossum 2001年对脉冲序列的度量,该度量依赖于它对输入数据执行的卷积运算。用于卷积的内核是精心选择的,使得它产生期望的频率空间响应,并且与van Rossum的内核不同,导致度量在附近的尖峰时间之间的差异和在相同时间的膜电位值之间的差异上都是一阶的:这是一个重要的特征。31页,4位数字。
2014-09-08 q-bio.NC
Removing Noise from Extracellular Neural Recordings Using Fully Convolutional Denoising Autoencoders
Information Technologies Institute, Centre for Research and Technology – Hellas (CERTH)(希腊研究与技术中心信息技术研究所);Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学)
细胞外记录受到大量噪声源的严重污染,使得去噪过程成为一项极具挑战性的任务,应该解决有效的尖峰分选。为此,我们提出了一种端到端的深度学习方法来解决这个问题,利用全卷积去噪自动编码器,它可以学习从嘈杂的多通道输入中产生干净的神经元活动信号。仿真数据的实验结果表明,我们提出的方法可以显着改善噪声污染的神经信号的质量,优于广泛使用的小波去噪技术。
2021-09-18 cs.LG eess.SP q-bio.NC
EEG in the classroom: Synchronised neural recordings during video presentation
我们进行了同步记录的脑电图(EEG)从多个学生在教室里,并测量了一个共同的视频刺激引起的活动的主体间相关性(ISC)。ISC量化的神经可靠性与早期在实验室环境中使用高级设备的研究中的参与和注意力调节有关。在这里,我们重现了许多结果,从这些研究中使用便携式低成本的设备,专注于使用ISC的鲁棒性的主题经历自然刺激。目前的数据表明,刺激诱发的神经反应,已知被调制的注意,可以跟踪的学生群体与同步EEG采集。这是朝着实时推断课堂参与度迈出的一步。
2016-12-27 cs.HC q-bio.NC stat.AP
Trial matching: capturing variability with data-constrained spiking neural networks
本文提出用数据约束的大规模递归脉冲神经网络结合最优传输方法,匹配神经活动与行为的逐试验变异性,实现逼真皮层活动生成和下颌运动预测,并发现任务无关运动这一意外变异性模式。
2023-12-01 q-bio.NC
Robust alignment of cross-session recordings of neural population activity by behaviour via unsupervised domain adaptation
University of Edinburgh(爱丁堡大学);Icahn School of Medicine at Mount Sinai(西奈山伊坎医学院)
与行为相关的神经元群体活动被假定为固有的低维,尽管观察到使用多电极阵列记录的数据的高维性。因此,从神经元群体记录预测行为已被证明是最有效的,当使用潜变量模型。然而,随着时间的推移,单个神经元的活动可以漂移,并且由于植入的神经探针的移动,不同的神经元将被记录。这意味着一个被训练来预测某一天行为的解码器在另一天测试时表现更差。另一方面,有证据表明,行为背后的潜在动力甚至可能在数月或数年内保持稳定。基于这一想法,我们引入了一个模型,能够推断行为相关的潜在动态从以前看不见的数据记录从同一个动物,而不需要解码器重新校准。我们表明,无监督域自适应结合顺序变分自动编码器,在几个会话上训练,可以实现良好的泛化到看不见的数据,并正确预测传统方法失败的行为。我们的研究结果进一步支持了这一假设,即行为相关的神经动力学是低维的,随着时间的推移是稳定的,并将使更有效和灵活地使用脑机接口技术。
2022-02-16 cs.LG q-bio.NC
Meta-Dynamical State Space Models for Integrative Neural Data Analysis
Champalimaud Centre for the Unknown(尚帕利莫未知中心);RyvivyR
本文提出元动态状态空间模型,在低维流形上元学习相似任务神经动态的解空间,实现对新神经记录潜在动态的少样本快速推断,并在合成系统与运动皮层数据上验证其重建和预测效果。
2025-04-07 cs.LG q-bio.NC stat.ML
BrainBERT: Self-supervised representation learning for intracranial recordings
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);CBMM(脑、心智与机器中心);Boston Children’s Hospital(波士顿儿童医院);Harvard Medical School(哈佛医学院)
我们创建了一个可重复使用的Transformer,BrainBERT,用于颅内记录,将现代表示学习方法引入神经科学。就像在NLP和语音识别中一样,这个Transformer可以对复杂的概念进行分类,即,通过在未注释的神经记录的大语料库上以无监督的方式预训练,以更高的准确度和更少的数据解码神经数据。我们的方法推广到新的主题与电极在新的位置和不相关的任务表明,表示强大的解开神经信号。就像在NLP中,人们可以通过研究语言模型学习什么来研究语言一样,这种方法打开了通过大脑模型学习什么来研究大脑的大门。作为沿着这条道路的第一步,我们展示了一个新的分析的内在维度的计算在大脑的不同区域。为了构建这些表示,我们将一种用于产生神经数据的超分辨率频谱图的技术与一种旨在通过掩蔽生成音频的上下文表示的方法相结合。在未来,通过使用表示学习,更多的概念将从神经记录中解码出来,这可能会像语言模型解锁语言一样解锁大脑。
2023-02-28 cs.LG eess.SP q-bio.NC
Identifying multi-compartment Hodgkin-Huxley models with high-density extracellular voltage recordings
Stanford University(斯坦福大学);Wu Tsai Neurosciences Institute, Stanford University(吴-tsai神经科学研究所);University of Tübingen(蒂宾根大学);Tübingen AI Center, Tübingen(蒂宾根人工智能中心);Max Planck Institute for Intelligent Systems, Tübingen(蒂宾根马克斯·普朗克智能系统研究所)
本文提出了一种基于高密度细胞外电压记录的方法,用于识别多腔室Hodgkin-Huxley模型,通过扩展卡尔曼滤波器和梯度方法推断膜电压和生物物理参数。
2025-12-03 q-bio.NC
A Unified, Scalable Framework for Neural Population Decoding
Georgia Tech(佐治亚理工学院);Mila(米拉研究所);Université de Montréal(蒙特利尔大学);McGill University(麦吉尔大学)
提出一种统一可扩展的神经群体解码框架,通过脉冲分词与 PerceiverIO 架构构建大规模多会话预训练模型,实现对未见神经记录的快速少样本适应。
2023-10-24 cs.LG q-bio.NC
High fidelity optogenetic control of individual prefrontal cortical pyramidal neurons in vivo
随着光遗传学的出现,在特定的遗传定义的细胞群中精确的空间和时间操纵神经活动现在是可能的。光遗传学的新兴领域由一组天然存在的和工程化的光敏膜蛋白组成,所述光敏膜蛋白能够激活(例如,通道视紫红质-2,ChR 2)或沉默(例如,盐视紫红质,NpHR)神经活动。我们在此证明了使用新型腺相关病毒(AAV)工具在体内激活(AAV-CaMK 11 α-ChR 2-eYFP)或沉默(AAV-CaMK 11 α-eNpHR3.0-eYFP)大鼠前额叶皮质前边缘(PL)锥体神经元神经活动的技术和可行性。ChR 2转导的锥体神经元的体内单单位细胞外记录显示,通过定制的光纤光耦合记录电极(光极)递送高达20 Hz的短暂(10 ms)蓝色(473 nm)光脉冲串在记录持续时间(在某些情况下长达2小时)内诱导了在20 Hz下具有高保真度的尖峰。为了沉默自发活动的神经元,我们用NpHR构建体转导它们,并施用连续绿光(532 nm)以在大多数情况下以100%保真度完全抑制动作电位活性长达10秒。这些多功能的光敏工具与光极记录方法相结合,提供了对遗传定义的神经元活动的实验控制,并可用于研究神经活动与复杂认知行为之间的功能关系。
2012-08-13 q-bio.NC
AJILE Movement Prediction: Multimodal Deep Learning for Natural Human Neural Recordings and Video
University of Washington(华盛顿大学);Allen Institute for AI(艾伦人工智能研究所);Center for Sensorimotor Neural Engineering (CSNE)(感觉运动神经工程中心)
在大脑和机器之间开发有用的接口是神经工程学的一个巨大挑战。一个有效的界面不仅能够解释神经信号,而且能够预测人类在不久的将来执行某个动作的意图;在控制良好的实验室实验之外,预测变得更具挑战性。本文介绍了我们的方法来检测和预测自然的人类手臂运动在未来,大脑计算机接口的一个关键挑战,以前从未尝试过。我们介绍了新的长期ECoG(AJILE)数据集中的注释关节; AJILE包括4名人类受试者在670个总小时(超过7200万帧)内的7个上身关节的自动注释姿势,以及相应的同时获得的颅内神经记录。AJILE的规模和范围大大超过了以前所有的运动和皮层电图(ECoG)数据集,使其能够采用深度学习方法进行运动预测。我们提出了一种多模态模型,该模型将深度卷积神经网络(CNN)与长短期记忆(LSTM)块相结合,同时利用ECoG和视频模态。我们证明,我们的模型能够检测运动,并预测未来的运动开始前800毫秒。此外,我们的多模态运动预测模型对输入神经信号的模拟消融表现出弹性。我们认为,考虑到上下文的自然神经解码的多模式方法对于推进生物电子技术和人类神经科学至关重要。
2018-03-01 cs.CV q-bio.NC
Investigating naturalistic hand movements by behavior mining in long-term video and neural recordings
University of Washington(华盛顿大学);Center for Neurotechnology(神经技术中心);University of Washington Institute for Neuroengineering(华盛顿大学神经工程研究所);eScience Institute, University of Washington(华盛顿大学电子科学研究所)
最近在大脑记录和人工智能方面的技术进步正在推动神经科学超越传统控制实验的新范式。自然主义神经科学研究的是在不受约束的环境中自发行为背后的神经过程,而不是专注于暗示的、重复的试验。然而,分析这种缺乏先验实验设计的非结构化数据仍然是一个重大挑战,特别是当数据是多模态和长期的。在这里,我们描述了一种自动化的方法,同时记录的长期,自然的皮层脑电图(ECoG)和自然的行为视频数据进行分析。我们采取行为优先的方法来分析长期记录。使用计算机视觉,离散潜变量建模和字符串模式匹配的行为视频数据的组合,我们发现和注释自发的人类上肢运动事件。我们展示了我们的方法应用于12名人类受试者在7- 9天内收集的数据的结果。我们的管道发现并注释了行为视频中超过40,000个自然主义人类上肢运动事件的实例。对同时记录的大脑数据的分析揭示了运动的神经特征,证实了传统对照实验的先前发现。我们还原型解码器的运动启动检测任务,以证明我们的管道作为脑机接口应用程序的训练数据源的功效。我们的工作解决了研究自然主义人类行为的独特数据分析挑战,并提供了可以推广到ECoG之外的其他神经记录方式的方法。我们公开发布了我们的策划数据集,为以前所未有的规模研究自然主义神经和行为变异性提供了资源。
2020-06-19 cs.CV eess.IV q-bio.NC
Predicting Artificial Neural Network Representations to Learn Recognition Model for Music Identification from Brain Recordings
Sony Computer Science Laboratories, Inc(索尼计算机科学实验室公司)
本研究反转了从人工神经网络(ANN)表示预测皮层表示的方向,利用ANN表示作为监督信号训练基于脑电图(EEG)的音乐识别模型,显著提升了分类准确率,为脑机接口与神经解码提供了新方法。
2024-12-20 cs.LG cs.SD eess.AS
HuiduRep: A Robust Self-Supervised Framework for Learning Neural Representations from Extracellular Recordings
HuiduRep通过结合对比学习和去噪自动编码器,提出了一种鲁棒的自监督框架,用于从细胞外记录中学习稳健且通用的神经表示,从而在低信噪比和漂移情况下提升尖峰排序性能。
2026-01-12 cs.AI eess.SP q-bio.NC
Neural2Speech: A Transfer Learning Framework for Neural-Driven Speech Reconstruction
ShanghaiTech University(上海科技大学);JD AI Research(京东人工智能研究院);University of California, San Francisco(加州大学旧金山分校)
针对小规模神经记录下语音重建性能受限的问题,提出包含语音自编码器预训练和轻量适配器微调两阶段的Neural2Speech迁移学习框架,仅用20分钟颅内数据即可实现更优的语音重建效果。
2024-01-31 cs.SD eess.AS q-bio.NC
Detecting Multiple Change Points Using Adaptive Regression Splines with Application to Neural Recordings
时间序列,在神经科学中经常出现这种情况,很少是平稳的,但往往表现出突然的变化,由于吸引子过渡或产生它们的动力系统中的分叉。多年来,除了评估其重要性的测试标准之外,还开发了大量方法来检测时间序列统计中的此类变化点。当开发变点分析方法时要考虑的问题包括计算需求,有限的数据量或大量的协变量所产生的困难,以及达到具有足够能力的统计测试来检测尽可能多的变化,因为包含在潜在的高维时间序列。在这里,一个通用的方法称为配对自适应回归的累积和发展的多元时间序列的平均值检测多个变化点。通过一系列的仿真实验证明了该方法的优势。其次是一个真正的数据应用程序,从大鼠内侧前额叶皮层在学习过程中的神经记录。最后,该方法的灵活性,将有用的功能,从国家的最先进的变化点检测技术进行了讨论,以及潜在的缺点和建议,以弥补他们。
2018-09-03 q-bio.NC q-bio.QM stat.ME
General anesthesia reduces complexity and temporal asymmetry of the informational structures derived from neural recordings in Drosophila
我们应用计算力学领域的技术来评估果蝇神经记录数据的统计复杂性。首先,我们将统计复杂性与果蝇的意识觉醒水平联系起来,这是由全身麻醉(异氟烷)操纵的。我们发现,即使是单通道时间序列数据的复杂性降低麻醉下。当考虑到更高阶的时间相关性时,观察到的两种有意识觉醒状态之间的复杂性差异会增加。然后,我们继续表明,除了降低复杂性,麻醉还调节正向和反向时间神经信号之间的信息结构。具体而言,使用三个不同的概念,时间不对称性,我们表明,麻醉减少时间不对称性的信息理论和信息几何的理由。与之前的工作相比,我们的研究结果表明:(1)复杂性差异可以在非常短的时间尺度上出现,并跨越苍蝇大脑的广泛区域,从而以以前无法预见的方式预示着麻醉的宏观状态,以及(2)全身麻醉也调节神经信号的时间不对称性。总之,我们的研究结果表明,麻醉的大脑变得结构更少,更可逆。
2020-06-03 physics.data-an q-bio.NC q-bio.QM
Adversarial Vulnerabilities of Neural Biomarker Identification Systems
Cerberus Neurosecurity Research Institute (CNRI)(塞伯里斯神经安全研究所);University of Luxembourg(卢森堡大学);Cognitive Security Institute(认知安全研究所)
本文针对脑电图生物识别系统,开发了无需知晓系统的自适应攻击算法,测试6个公开数据集发现不同神经特征方法脆弱性差异大,记录条件影响欺骗攻击脆弱性,还给出改进建议。
2026-09-03 cs.CR q-bio.NC
Signal detection in extracellular neural ensemble recordings using higher criticism
大脑中的信息处理是由多个神经群体的协调行动进行的。获得洞察力的组织和动态的这些人群可以最好的研究与宽带颅内记录所谓的胞外场电位,反映神经元尖峰以及介观活动,如波,振荡,内在的大偏转,和多单位尖峰活动。这些信号对于我们理解神经元集合如何编码感觉信息以及这些信息如何整合到认知基础的大型网络中至关重要。上述原理现在被广泛接受,但是从复杂神经数据中提取信息的功效以及它们用于提高我们对神经网络的理解的应用关键地取决于数学处理步骤,其范围从噪声迹线中的动作电位的简单检测到将高级数学模型拟合到潜在地作为信息的内部处理基础的神经信号的不同模式,例如神经元间的相互作用。在这里,我们提出了一个强大的策略,用于检测信号的宽带和嘈杂的时间序列,如尖峰,尖波和多单位活动数据,这是完全基于固有的统计分布的记录数据。通过使用所谓的更高的批评-一个第二级的显着性测试程序比较观察到的显着性的分数与预期分数下的全局空-我们能够检测相关的噪声时间序列中的小信号,而无需事先滤波,去噪或数据回归。结果表明,在广泛的实验条件下的方法和多功能性的效率和可靠性,并建议适当的更高的批评,以表征神经元动力学没有事先操纵的数据。
2019-05-15 q-bio.NC q-bio.QM stat.AP
BrainWideBench: Benchmarking large-scale pretraining and across-animal transfer in multi-region neural recordings
University of Pennsylvania(宾夕法尼亚大学);Mila(米拉研究所);Université de Montréal(蒙特利尔大学);Stanford University(斯坦福大学);Columbia University(哥伦比亚大学);Allen Institute(艾伦研究所);William James Center for Research(威廉·詹姆斯研究中心);ISPA - Instituto Universitário(ISPA 大学研究所);University of Geneva(日内瓦大学);Karolinska Institutet(卡罗林斯卡学院);UCLA(加州大学洛杉矶分校);University College London(伦敦大学学院);Champalimaud Foundation(尚帕利莫基金会);Lingang Laboratory(临港实验室);The Chinese University of Hong Kong(香港中文大学);Donders Institute(唐德斯研究所);University of Minnesota(明尼苏达大学);Princeton University(普林斯顿大学);Leiden University(莱顿大学);McGill University(麦吉尔大学);IBM
BrainWideBench基于跨276个脑区、139只小鼠的数据,提出三套任务基准,系统评估预训练方法在跨动物迁移中的表现,发现当前方法在行为、动态和解剖结构上的泛化仍面临挑战。
2026-09-21 cs.LG q-bio.NC
Topological Data Analysis (TDA) Techniques Enhance Hand Pose Classification from ECoG Neural Recordings
University of Turin(都灵大学);Polytechnic University of Turin(都灵理工大学);g.tec medical engineering GmbH(g.tec医疗工程有限公司);Megumino Hospital(目黑野医院);Guger Technologies OG(Guger Technologies GmbH(OG可能为德语‘Ohne Gesellschaft’,此处按常见译名处理));Department of Physics(物理系)
皮层电图(ECoG)很好地表征了手部运动意图和手势。在目前的工作中,我们的目标是调查的可能性,以提高手的姿势分类,在石头剪刀布和休息的任务,通过引入拓扑描述符的时间序列数据。我们假设,一个创新的方法,拓扑数据分析的基础上,可以提取隐藏的信息是无法检测到的标准脑机接口(BCI)技术。为了研究这一假设,我们将拓扑特征与功率带特征集成在一起,并将它们馈送到几个标准分类器,例如随机森林,梯度提升。因此,模型选择是在一个细致的baidu超参数优化阶段之后完成的。使用我们的方法,我们观察到了四标签分类问题的准确性方面的鲁棒结果,可用数据有限。通过特征重要性研究,我们得出结论,拓扑描述符能够提取有用的判别信息,并提供新的见解。由于我们的数据仅限于单患者记录,泛化可能是有限的。然而,我们的方法可以扩展并应用于广泛的神经生理记录,这可能是未来研究的一个有趣的出发点。
2021-10-09 cs.HC cs.LG eess.SP
An analytically tractable model of neural population activity in the presence of common input explains higher-order correlations and entropy
同时记录的神经元表现出相关性,其根本原因尚不清楚。在这里,我们使用一群阈值神经元接收相关的输入来模拟神经元群体记录。我们分析表明,二阶相关性的小变化可能导致较大的变化,在较高的相关性,这些高阶相关性有很强的影响人口的熵,稀疏性和统计热容量。值得注意的是,我们对这个简单模型的发现可以解释最近在神经元群体记录中观察到的一些令人惊讶的效应。
2010-09-17 cond-mat.dis-nn physics.data-an q-bio.NC
Online detection and sorting of extracellularly recorded action potentials in human medial temporal lobe recordings, in vivo
要了解复杂皮层回路的功能,需要同时记录清醒和行为正常的动物的许多神经元的动作电位。实际上,这可以通过使用单线电极从多个脑部位进行细胞外记录来实现。然而,在密集的神经结构中,如人类海马体,单个电极可以记录多个神经元的活动。因此,需要区分不同神经元的动作电位的分析技术。目前,离线锋电位分选方法用于在完成实验后检测和分选动作电位。由于从人脑记录的机会相对较少,因此希望使用在线分类和检测算法快速分析大量同时记录。通过这种方式,可以针对记录的神经元的特定响应特性来优化实验。在这里,我们提出并评估了一种方法,能够检测和排序细胞外单线记录实时。我们证明了该方法的实用性,通过将其应用于我们从人类癫痫患者海马中长期植入深度电极获得的广泛数据集。该数据集特别具有挑战性,因为它是在嘈杂的临床环境中记录的。这种方法将允许开发闭环实验,其立即使实验刺激和/或任务适应观察到的神经反应。
2006-04-26 q-bio.NC q-bio.QM
Chronic neural probe for simultaneous recording of single-unit, multi-unit, and local field potential activity from multiple brain sites
耐药性局灶性癫痫可以通过切除癫痫病灶来治疗,需要使用立体脑电图(SEEG)探头进行精确的病灶定位。由于商业SEEG探针仅提供有限的空间分辨率,因此具有更高通道数和设计自由度的探针能够结合宏电极和微电极,这将有助于提高空间分辨率,从而为研究局灶性癫痫及其治疗的机制开辟新的视角。这项工作描述了一种新的SEEG探针的制造工艺,其材料和尺寸与临床探针相似,能够以高空间分辨率记录单个神经元的活动。聚酰亚胺被用作生物相容性柔性基板,铂电极和导线被植入其中。所得探头特征与临床批准器械的特征相匹配。盐水溶液中的测试证实了穿刺针的稳定性和功能性。探针被植入一只猴子(Macaca mulatta)的大脑中,接受不同的运动任务训练。包括多达128个电极位点的合适配置允许记录任务相关的神经元信号。将具有32个和64个电极位点的探针植入后顶叶皮质。早在植入后1小时就记录了局部场电位和多单位活动。在植入64通道探针后长达26天实现了稳定的单单位活性。所有记录的信号在任务执行期间显示调制。使用新型探针,可以在超过人类患者癫痫病灶定位所需的通常时间的时间跨度内记录稳定的生物相关数据。这是第一次记录单个单位沿圆柱形聚酰亚胺探针长期植入22毫米深的猴子的大脑,这表明该探针对人类应用的潜在有用性。
2017-06-19 physics.med-ph q-bio.NC
Scalable Spike Source Localization in Extracellular Recordings using Amortized Variational Inference
University of Edinburgh(爱丁堡大学);MIT–IBM Watson AI Lab(麻省理工-IBM沃森人工智能实验室);University of Oslo(奥斯陆大学)
确定细胞外记录中神经元的位置对于研究潜在神经回路的功能特性是有用的。在这项工作中,我们提出了一种贝叶斯建模方法,用于定位高密度微电极阵列上的单个尖峰信号源。为了允许可扩展的推理,我们将我们的模型实现为变分自动编码器,并执行摊销变分推理。我们评估我们的方法在生物医学上逼真的模拟和真实的细胞外数据集,证明它比启发式定位方法(如质心)更准确,可以提高尖峰分选性能。
2022-01-26 cs.LG q-bio.NC
Neural Dust: An Ultrasonic, Low Power Solution for Chronic Brain-Machine Interfaces
脑机接口(BMI)的一个主要障碍是缺乏终身可用的植入式神经接口系统。本文探讨了基本的系统设计权衡和最终的尺寸,功率和带宽缩放限制的神经记录系统,从低功耗CMOS电路与超声波功率传输和反向散射通信。特别是,我们提出了一种超微型且非常兼容的系统,可以大规模扩展来自大脑的神经记录数量,同时提供一条通往真正慢性BMI的道路。这些目标是通过两项基本技术创新实现的:1)数千个10 - 100 μm规模的自由浮动独立传感器节点或神经尘埃,用于检测和报告局部细胞外电生理数据,以及2)与神经尘埃建立电力和通信链路的颅下神经元。
2013-07-08 physics.ins-det q-bio.NC
Spatially Masked Regression Reveals Local and Distributed Predictability in Electrophysiological Recordings
Department of Electrical and Computer Engineering, IUT(电气与计算机工程系);McGovern Institute for Brain Research, Massachusetts Institute of Technology (MIT)(脑科学研究所,麻省理工学院(MIT))
提出空间掩蔽回归(SMR)框架,通过逐步增大掩蔽区域量化电极信号中局部与分布式信息的贡献,应用于颅内和头皮脑电数据,发现邻近电极贡献显著但非全部,表明信号同时包含局部冗余和全局结构。
2026-06-11 cs.LG physics.data-an q-bio.NC
Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals
Imperial College London(帝国理工学院)
神经生理学时间序列,如肌电信号和皮层内记录,通常由许多单独的尖峰源组成,其恢复可以提供对感兴趣的生物系统的基本见解或为人机接口提供神经信息。由于这个原因,声源分离算法已经成为神经科学和神经工程中越来越重要的工具。然而,在有噪声或高度多变量的记录中,这些分解技术通常产生大量的错误,这降低了人机接口应用,并且通常需要对尖峰时间戳的输出标签集进行昂贵的事后手动清理。为了解决自动化事后清理和鲁棒分离过滤器的需求,我们提出了一种基于深度度量学习的方法,使用一种新颖的损失函数来保持类内方差,从而创建适合标签清理和发现新激活的丰富嵌入空间。然后,我们验证了这种方法与人为损坏的标签集的基础上源分离的高密度表面肌电图记录,恢复原始的时间戳,即使在极端程度的功能和类相关的标签噪声。这种方法使神经网络能够学习使用任何不完美的标记信号的方法来准确地解码神经生理时间序列。
2021-10-13 cs.LG q-bio.NC
Pretraining for Sample-Efficient Neural Interfaces
Duke University(杜克大学)
本文提出MAPA自监督预训练方法,通过解剖区域嵌入和相对位置编码,在无需微调下提升脑机接口跨受试者解码性能,显著减少所需标签数据。
2026-09-15 cs.LG q-bio.NC
Bayesian Bi-clustering of Neural Spiking Activity with Latent Structures
本文提出一种基于潜在结构的贝叶斯双聚类方法,用于对神经放电活动进行空间和时间聚类,通过非参数模型和MCMC算法实现,并在模拟和真实数据上验证了其有效性和可解释性。
2023-12-26 q-bio.NC stat.AP
convSeq: Fast and Scalable Method for Detecting Patterns in Spike Data
针对大规模神经记录中重复时空尖峰模式缺乏高效可扩展检测方法的问题,提出无监督方法convSeq,通过反向传播优化时空滤波器识别神经模式,速度超现有方法,为自发神经活动分析树立新标准。
2024-05-14 eess.SP q-bio.NC
Testing geometric representation hypotheses from simulated place cell recordings
École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院);University of British Columbia(不列颠哥伦比亚大学);University of California, Santa Barbara(加州大学圣巴巴拉分校)
海马位置细胞可以编码动物在物理或任务相关空间中的空间位置。我们模拟了位置细胞群体,编码欧几里德或图形为基础的位置的大鼠导航到目标节点的迷宫与图形拓扑结构,并使用多种学习方法,如UMAP和自动编码器(AE)来分析这些神经元群体的活动。由AE学习的潜在空间的结构反映了它们的真实几何结构,而PCA不能做到这一点,并且UMAP对噪声的鲁棒性较差。我们的研究结果支持AE架构的未来应用,以破译大脑中的空间编码的几何形状。
2022-11-16 cs.AI cs.LG q-bio.NC
Towards Homogeneous Lexical Tone Decoding from Heterogeneous Intracranial Recordings
Westlake University(西湖大学);Zhejiang University(浙江大学)
针对多受试者颅内记录的异质性问题,提出 H2DiLR 框架解耦并学习神经表征的同质性与异质性,在407音节普通话 sEEG 数据上实现更优的统一词汇声调解码。
2025-02-18 cs.AI cs.CL cs.LG