​人工神网络来解码皮质电图(ECoG)数据

俄罗斯科学家提出了一种自动解码和解释解码器权重的新算法，该算法可用于脑机接口和基础研究。该项研究结果发表在《神经工程杂志》上。

脑机接口可以用于创建机器人假体、神经植入物，康复模拟器等。这些设备能够帮助中风或身体伤害的人移动(如机械椅或假肢)，交流，使用计算机并操作家用电器。此外，结合机器学习方法，神经接口可以帮助研究人员了解人类大脑是如何工作的。

最常见的脑机接口使用神经元的电活动，例如，通过电或脑磁图测量。然而，为了将神经元信号翻译成指令，需要一个特殊的解码器。传统的信号处理方法在识别信息特征上需要大量的工作——从研究者的角度来看，信号特征似乎是解码任务中最重要的。

图1说明了运动行为(手部动作)，大脑活动和ECoG记录之间的假设关系

研究人员关注于皮质电图(ECoG)数据--种直接位于硬脑膜(包裹大脑的外壳)下皮质表面的电极对神经活动的侵入性记录，并提出了运动行为(手部动作)，大脑活动和ECoG记录之间的假设关系，如图1。并开发了一种人工神经网络架构，可自动提取可解释的数据特征，如图2。

图2 网络结构图

正如科学家所设想的那样，神经网络算法在参数数量方面不应太复杂。它应该自动调整，并使人们能够以生理学有意义的术语来解释学习到的参数。最后一个要求尤其重要：如果满足，神经网络不仅可以用于解码信号，还可以获取对神经元机制的新见解。因此，研究人员除了提出一种用于信号处理的新神经网络外，还提出了(并在理论上证明是合理的)一种解释广义神经网络参数的方法。

研究人员提出的神经网络由几个结构相似的分支组成，每个分支都自动调整以分析特定频率范围内独立神经群体的信号，并调整以避免受到干扰。为了做到这一点，他们使用了类似于组成神经网络的卷积层，对这些卷积层进行锐化以进行图像分析，并充当空间和频率过滤器。得到了空间滤波器的权值，就可以确定神经群体的位置，而时间卷积权值除了间接指示神经群体的大小外，还可以显示神经元活动随时间变化的方式。

四个分支中每个分支的真实包络和解码包络之间的比较

为了评估他们提出的神经网络的性能并结合一种解释其参数的新方法，科学家们首先生成了一组真实的模型数据，即44个神经元群体20分钟的活动。在真实条件下记录信号时，在数据中加入噪声来模拟干扰。第二组要检查的数据是来自BCI竞赛IV的数据集，包含几个受试者周期性自发移动手指的ECoG数据。另一组ECoG数据是由莫斯科国立医学和牙科大学的科学家自己收集的，该大学是HSE大学生物电接口中心的临床基础。与以前的数据不同，科学家们收集的记录包含了关于每个患者大脑皮层表面ECoG电极位置的完整几何信息。

CBI患者1 (ECOG)食指运动解码器的网络权值解释。每一行图对应于训练后的解码器的三个分支中的一个。(a)最左边的一列显示颜色编码的空间滤波器权值，接下来的两列对应于正确重构的空间模式。蓝色对应的绝对激活最小，黄色对应的绝对激活最大。(b)时域滤波器权值在傅里叶域中的解释。

空间模式映射到皮质。蓝色对应于最小的绝对激活值，黄色对应于最大的激活值

该神经网络表现出色：通过BCI竞赛IV数据集，它可以与竞赛获胜者提出的解决方案相提并论，但是与解决方案不同的是，它使用了自动选择的功能。在处理实际数据和模型数据时，研究人员证明可以正确，详细地解释比例尺参数，并且这种解释可以得出合理的生理结果。研究人员还将一种新技术应用于基于非侵入性(从头部表面获取，无需植入电极)EEG数据的想象运动分类。与ECoG一样，神经网络提供了较高的解码精度和特征可解释性。

在运动想象EEG数据集上训练的解码器的三个分支(三行图)的网络权重解释.(a)最左边的一列显示了用颜色编码的空间过滤器权重，接下来的两列对应于正确地重构的空间模式。白色对应于最小的绝对激活值，红色对应于最大的激活值。(b)傅立叶域中的时间滤波器权重解释。

这项研究的科学负责人说：“我们已经在使用这种方法来建立侵入性的脑机接口，并解决术前皮层映射的问题，这对于确保在脑部手术后保留关键的行为功能是必不可少的。” HSE生物电接口中心主任Alexei Ossadcthi。“在不久的将来，这项技术将被用于自动提取有关大脑实现广泛行为功能原理的知识。”

论文信息:

medicalxpress