在神经工程应用中使用灵长类前额叶皮层的经济价值信号

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 机器学习 机器学习

背景情况:

• 大脑机器接口 (BMI) 传统上使用运动/感觉信号.
• 抽象的认知信号为神经工程提供了尚未开发的潜力.
• 经济价值是决策的关键认知构造.

研究的目的:

• 在BMI背景下探索与经济价值相关的神经信号的使用.
• 开发基于深度学习的神经解码器,用于预测基于价值的决策任务中的选择.
• 通过强化学习实现适应性解码器,用于多步骤决策.

主要方法:

• 从非人类灵长类动物的轨道前皮层收集了多变量时间序列数据.
• 开发了深度学习的神经解码器来预测选择.
• 采用了基于强化学习的适应性解码器培训方法.

主要成果:

• 使用主观价值信号预测子选择的平均准确率达到了>70%.
• 即使在客观上平等的选择选项中,也表现出高于机会的准确性.
• 显示的解码器架构可以执行与选择相关的动作和动作序列.
• 开发了一个神经预测模型,预测选择的时间提前300 ms.

结论:

• 使用者偏好信息的神经工程设备利用认知信号是可行的.
• 将抽象的认知信号与运动/感官数据相结合可能会提高准确性.
• 未来的系统可能需要对最小的用户输入场景进行信任测量.