解码持续跟踪眼睛运动从皮质尖刺活动的解码
Kendra K Noneman1, J Patrick Mayo2
1Neuroscience Institute, Carnegie Mellon University, 4400 Fifth Avenue, Pittsburgh, PA 15213, USA.
International journal of neural systems
|November 15, 2024
概括
机器学习高精度地从神经活动中解读连续眼动. 了解大脑对眼睛的控制的这一突破可以推进视觉康复技术.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 计算生物学 计算生物学
背景情况:
- 灵长类动物依靠眼睛的运动来与世界互动.
- 了解神经控制眼动对于健康和辅助设备开发至关重要.
- 解码大脑活动以控制眼睛的运动具有重大挑战.
研究的目的:
- 使用机器学习从神经元记录中重建眼动.
- 评估各种解码模型的准确性和效率.
- 调查数据参数对解码性能的影响.
主要方法:
- 利用高分辨率的神经元记录和机器学习算法.
- 测试了八种不同的解码器模型,包括神经网络.
- 分析了数据数量和格式对培训和推理的影响.
主要成果:
- 从少量的皮质神经元中,连续的眼睛位置被高精度地解码.
- 神经网络模型实现了最高的解码精度.
- 更简单的模型提供了性能平衡和减少训练时间.
- 行为输出格式对眼运动事件的重点产生了重大影响.
结论:
- 通过使用神经数据,在广的视野中展示了眼睛运动的连续解码.
- 神经网络解码器对实时凝视跟踪应用有望出现.
- 为开发先进的实时视线追踪和视觉康复设备提供了基础.


