基于行为通过无监督域适应实现神经群体活动跨会话记录的稳健对齐
神经元与认知
2022-02-17 v2 机器学习
摘要
尽管使用多电极阵列记录的数据呈现高维特征，但与行为相关的神经群体活动被认为本质上是低维的。因此，已有研究表明，利用潜变量模型从神经群体记录预测行为最为有效。然而，随着时间的推移，单个神经元的活动可能发生漂移，并且由于植入式神经探针的移动，记录到的神经元也会不同。这意味着在某一天训练用于预测行为的解码器在另一天测试时表现变差。另一方面，有证据表明，支撑行为的潜动力学即使在数月和数年内也可能是稳定的。基于这一想法，我们提出了一种模型，能够在无需任何解码器重新校准的情况下，从同一动物先前未见过的数据中推断出与行为相关的潜动力学。我们表明，在无监督域适应与序列变分自编码器相结合、并在多个会话上训练时，能够对未见过的数据实现良好的泛化，并在常规方法失效时正确预测行为。我们的结果进一步支持了行为相关神经动力学是低维且随时间稳定的假设，并将使脑机接口技术得以更有效和灵活地应用。
引用
@article{arxiv.2202.06159,
title = {Robust alignment of cross-session recordings of neural population activity by behaviour via unsupervised domain adaptation},
author = {Justin Jude and Matthew G Perich and Lee E Miller and Matthias H Hennig},
journal= {arXiv preprint arXiv:2202.06159},
year = {2022}
}