重磅！AI发现大脑新模式，脑机接口被“增强”了

撰文 | 马雪薇

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。