使用AutoLFADS识别精确到达的初始和纠正阶段之间的明显的神经特征
Wei-Hsien Lee1, Brianna M Karpowicz2, Chethan Pandarinath2,3
1Bioengineering Program, University of Kansas, Lawrence, Kansas 66045.
概括
运动皮层以不同的方式编码初始和纠正运动. 新的解码方法揭示了在线运动校正的独特神经模式,挑战了全球编码假设.
科学领域:
- 神经科学是一个神经科学.
- 发动机控制器的控制器
- 计算神经科学是一种神经科学.
背景情况:
- 许多运动需要纠正,但运动皮层中这些调整的神经基础尚未完全理解.
- 现有的模型通常假定运动的全球神经编码,这可能不适用于纠正次运动.
研究的目的:
- 为了研究运动皮质如何在精确达到任务期间发出初始和纠正运动的信号.
- 为了比较初始与纠正运动的神经编码,并评估解码泛化.
主要方法:
- 记录了来自两个的大量神经元中的神经活动.
- 利用AutoLFADS,一个深度学习模型,分析在校正次运动期间的神经发射率.
- 开发并测试了一种依赖状态的解码器,以改进校正运动解码.
主要成果:
- 从初始运动中解码到达速度并没有很好地将其推广到校正子运动中.
- 传统的线性解码方法在全球神经空间中难以预测校正运动速度.
- 一个依赖于状态的解码器通过结合最初的人口发射率显著改善了校正运动的预测.
结论:
- 神经活动在初始和纠正运动之间显著不同,编码特定的速度和位置组合.
- 这些发现挑战了在线校正期间对动力学特征的全球和独立神经编码的假设.
- 取决于状态的解码方法对于准确捕捉纠正运动背后的各种神经过程至关重要.
