编译/文龙
神经科学的一个中心目标是破译神经编码（neural code），理解感官特征和行为的神经表征，以及连接它们的计算。在深度学习中，受神经科学启发而来的神经网络具有很好的模式识别能力，甚至在某些任务的表现上已经超越了人类。
因此，神经科学家们同样想利用神经网络去解码大脑中的神经活动。
最近，由 UCL 参与的国际研究团队用卷积神经网络（CNN）翻译了来自大脑活动的原始数据，解码了来自不同物种多个大脑区域的许多不同行为和刺激。
新方法可以加速发现大脑活动与行为之间的关系，也为深度学习与脑科学间更紧密的联系铺平道路。
该研究于 8 月 2 日以「Interpreting wide-band neural activity using convolutional neural networks」为题发表在《eLife》上。
Kavli 系统神经科学研究所的首席研究员 Markus Frey说：「神经科学家已经能够从大脑中记录越来越大的数据集，但理解这些数据中包含的信息——读取神经编码，仍然是一个难题。在大多数情况下，我们不知道正在传输什么消息。」
实际上，识别神经信号与外部刺激或行为之间的对应关系一直是神经科学的主要研究方式。但是，神经网络可能提供一种加速发现新神经表征的方法。
「我们希望开发一种自动分析许多不同类型的原始神经数据的方法，从而避免手动破译它们的需要。」
该团队基于卷积神经网络提出了一个名为 DeepInsight 的深度学习框架，可以跨刺激、行为、大脑区域和记录技术进行泛化。一旦经过训练，就可以进行分析以确定对给定变量提供信息的神经编码元素。
从未处理的海马记录中准确解码定位。（来源：论文）
他们对 DeepInsight 进行了测试，用老鼠探索开放场地的神经信号，发现该网络能够准确预测动物的位置、头部方向和跑步速度。即使没有人工处理，结果也比通过传统分析获得的结果更准确。
发现神经编码的新表征
过去，解码神经活动是一个不容易的事情，需要对编码的变量有很强的背景知识，并且我们所知道的信息也经常缺乏完整性。
伦敦大学学院细胞与发育生物学教授 Caswell Barry 说：「现有方法遗漏了神经记录中的许多潜在信息，因为我们只能解码我们已经理解的信号。我们的网络能够访问更多的神经代码，从而教会我们阅读一些其他的信号。」
研究小组发现，他们的网络能够识别神经代码的新表征，并通过检测以前无法识别的头部方向表征来展示这一点，该表示由海马区的中间神经元编码。
「我们能够比以前更准确地解码神经数据，但真正的进步是网络不受现有知识的限制。」
模型可跨多种记录技术及大脑区域。（来源：论文）
预测行为
研究人员表明，他们的网络不仅能够预测跨大脑区域不同类型记录的行为，还可以用于推断人类参与者的手部运动。
Kavli 系统神经科学研究所和马克斯普朗克人类认知和脑科学研究所的教授 Christian Doeller 说：「这种方法可以让我们在未来更准确地预测人类更高层次的认知过程，例如推理和解决问题。」
Frey 补充说：「我们的框架使研究人员能够对未处理的神经数据进行快速自动分析，从而节省时间，而这些时间只能用于最有希望的假设，使用更传统的方法。」
