深度学习作为神经数据分析工具：人类感觉运动皮层的语音分类与跨频率耦合

神经科学中的一个基本挑战是，理解从多次单次试验测量中得到的空间分布神经活动模式所表征的世界结构。这通常通过学习神经特征与感觉刺激或运动任务特征之间的简单线性变换来实现。虽然在一些早期感觉处理区域取得了成功，但线性映射并不适合用于阐明复杂任务（如人类语音产生）中高阶脑区的非线性、分层表征。在此，我们应用深度网络从人体感觉运动皮层记录的皮层表面电电位预测产生的语音音节。我们发现，与基线模型相比，深度网络具有更高的解码预测准确率，并且随着数据集规模的增加，其准确率的提升也更为显著。我们进一步证明，深度网络的混淆揭示了神经数据中的分层潜在结构，重现了语音运动控制潜在的发音性质。最后，我们利用深度网络比较了不同神经频段中与任务相关的信息，发现高伽马频段包含了绝大部分与语音预测任务相关的信息，而低频段的额外贡献微乎其微。总之，这些结果证明了深度网络作为神经科学数据分析工具的实用性。