B05 · Assistive algorithms influence neural representations in motor brain-computer interfaces

Rajeswaran, P., Payeur, A., Lajoie, G., & Orsborn, A.L. (2026). Nature Communications, 17, 9832. doi:10.1038/s41467-026-76109-y

自适应解码器数据中，学习相关的任务信息集中到较少的读出单元及低方差群体模式。匹配的网络模拟支持解码器适应可促成这种集中，但猴数据的跨研究比较并非随机对照。

核对版本：Zotero VR 集合中的本地 PDF（2026-09-18）；Zotero 条目 · 打开原文。图下页码均为该 PDF 的文件页序，从 1 开始，可能不同于期刊印刷页码。

背景

辅助算法会改变BCI中的误差和神经活动到输出的映射，因此也可能改变动物学到的表征。性能提高本身不能说明信息在群体中如何重新分布。

研究思路

研究分析固定与适应性解码范式的数据，用单元加入曲线和主成分分析比较任务信息的集中程度。随后在RNN中操纵解码器适应，检验一种可能的形成机制；跨动物实验比较和模型内操纵的证据强度不同。

方法

核心数据来自两只恒河猴（J 和 S，Orsborn 2014 的原数据），128 通道微丝阵列植入运动皮层和前运动皮层手臂区；monkey J 用通道级 threshold crossing、monkey S 用 spike-sorted multi-unit，统称 units。按记录稳定性（而非功能性质）选出一部分 unit 输入 position-velocity Kalman filter 控制 2D 光标，即 readout 群体；其余为 nonreadout。任务为 8 方向 center-out：到达外周目标限时 3–10 s，入靶后保持 250–400 ms 得果汁奖励。分析聚焦长度至少 4 天的 learning series（monkey J 7 个、monkey S 3 个，共 10 个；两只猴分别累计学过 13 和 6 个映射），early/late 定义为每方向至少 25 次成功到达的首日与末日（示例 series 为第 2 天与第 17 天）。CLDA 用 SmoothBatch（J）或 ReFIT（S）：day 1 跑 5–15 min 把性能提高到能够到达各方向目标，之后只在成功率跌约 10–20% 或丢失 readout 单元时做 3–5 min 的短暂更新。离线分析用 multiclass logistic regression，从 go-cue 起 1800 ms、100 ms bin 的发放率预测 8 个目标身份，每天每方向取 25 个 trial、做 100 次训练-测试划分。fixed-decoder 对照数据来自 Ganguly & Carmena 2009（monkey P、R，Wiener filter），按 150-trial epoch 分早晚期。模型端是一个 100 单元 ReLU RNN：先在二关节平面手臂模型上学 center-out，再随机选 12 个单元做 readout、拟合速度 Kalman filter，切换 context 进入 BCI 训练；学习用 REINFORCE（奖励取负的任务损失），CLDA 强度 α 取 0.1、0.25、0.5 三档，α=0 即 fixed decoder，每组 10 个种子。

主要结果

Credit assignment 的第一层结论是保守的：离线分类器用全部 unit 预测目标身份的平均准确率为 0.83 ± 0.11（monkey J）和 0.78 ± 0.13（monkey S），且 readout 的准确率在早晚期都显著高于 nonreadout（两者 p = 0.002），但从 early 到 late 只有 readout 显著提升（p = 0.006），nonreadout 无变化（p = 0.13）。稳定 readout 的分类器权重在相邻两天的相关系数从 0.34 ± 0.045 升到 0.64 ± 0.045（p = 0.001，N = 10），与成功率的爬升同步，说明任务编码在逐步稳定。控制分析显示：同样的分析用在手臂运动数据上看不到 readout/nonreadout 的分离，减弱仅由记录质量差异解释的可能性；在单次 CLDA 事件前后比较分类准确率也没有即时变化，支持变化主要随学习逐步形成，未检出单次算法更新对应的即时效应。

第二层是关键结果：compaction。用 NAC 把 unit 按单单元分类准确率排序、逐个累加，取达到归一化峰值 80% 所需的 unit 数 Nc。Adaptive decoder 下，late 的 Nc 一致地小于 early（monkey J 的 ΔNc 在 −4 到 −1 之间、最大 p = 0.018；monkey S 在 −2 到 −1 之间、最大 p = 0.031；跨 10 个 series 汇总 p = 9.8 × 10⁻⁴）。而 fixed decoder 数据恰好相反：两只猴的 Nc 晚期不降（monkey P ΔNc = 0，p = 0.55；monkey R ΔNc = 2，p = 0.8），信息保持分布。组合式 NAC 进一步显示这种集中指向特定的神经元子集：晚期包含全部 top-Nc 单元的组合与不含任何 top 单元的组合之间，用 d′ 量化的性能差距随学习显著拉大（p = 1.9 × 10⁻³），支持准确率增益主要集中在这些高预测性单元。同一批 top 单元也足以离线重建光标速度，且这一效应在手臂运动任务中看不到。

模型在其设定内检验了解码器适应的因果贡献。CLDA 无论强度都能加速早期性能提升，中等强度下最终性能与 fixed 持平或更好（10 个种子里最好情况 9/10 优于 fixed），但过度适应（α = 0.5）反而降低最终性能——因为 CLDA 的目标（朝目标移动）与任务目标（限时到达且末速趋零）在训练后期冲突。关键是模型完整复现了 compaction：fixed decoder 训练到晚期需要 12 个 readout 里的 11 个才能达到 80% 性能，而 adaptive decoder 下 dominant 单元越来越 dominant、少数单元即可支撑控制；提前停掉 CLDA 或拉长适应间隔则既能保住性能又会削弱 compaction。把有无 CLDA 下的循环权重总变化 ΔW 逐一配对比较，决定系数从 α = 0.1 时的 0.27 一路掉到 α = 0.5 时的 0.046——适应越强，可塑性模式离 fixed 条件越远，说明 brain–decoder co-adaptation 走的是一条不同的学习路径。模型还给出一个数据里看不到的细节：adaptive decoder 的组合式性能分布更窄（IQR 更小），意味着它同时压制了不可靠单元的负面影响。

群体层面的结果值得关注。把 NAC 搬到 PC 空间后，adaptive decoder 下达到 80% 分类准确率所需的 PC 数（NPC）随学习下降（跨 series p = 9.7 × 10⁻⁴），fixed decoder 下则未见明显变化。与此同时，方差在 PC 间的分布反而更弥散，用 participation ratio 量度的维度不减反增——这与自然运动学习和 fixed-decoder BCI 中"变异性和 shared dimensionality 随练习收缩"的已知规律正好相反。另一个结果是任务信息的位置：占方差 80–84% 的 top-50% PCs，其晚期分类准确率反而低于只占方差 16–22% 的 bottom-50%（p = 0.001）；PC 准确率的变化量与其解释方差之间未检出显著相关。loading 分析显示，解码力最强的 PC 几乎完全由 top 任务预测性单元组成（top-4 与 bottom-4 单元的 loading 平方和差异 p = 0.002），而高方差 PC 的单元构成则像随机混合。这些结果提示，仅按解释方差筛选主成分可能漏掉预测任务的重要维度。

逐图解读

来源：原文 Fig. 1，PDF 第 2 页。

图 1 · 实验设置与示例学习曲线。 (a) 闭环 BCI 示意图：运动皮层记录的 multi-unit 分为 readout（红，进解码器）与 nonreadout（蓝，只记录不控制），仅 readout 活动被 Kalman filter 解码为光标速度，猴子在 2D center-out 任务里靠视觉反馈闭环控制。(b) 一个示例 learning series（monkey J）：黑色实线为成功率、橙色虚线为平均 reach time，竖直灰线标记 CLDA 事件、绿点标出算法带来的性能增益；early（第 2 天）与 late（第 17 天）用颜色带标出。(c) 同一 series 的早期（左）与晚期（右）光标轨迹——轨迹随训练变得更直接，显示控制表现改善。这张图先立住一个事实：虽然训练中包含初始化及必要时的短时 CLDA 更新，学习曲线的形态与当年 fixed-decoder 研究报告的定性一致，为后面的表征分析提供了行为学前提。

来源：原文 Fig. 2，PDF 第 3 页。

图 2 · Credit assignment 指向 readout 单元。 (a) 离线分析框架：每天用 logistic regression 从 go-cue 后的分箱活动预测 8 个目标身份，readout 与 nonreadout 分开评估。(b) 示例 series 中稳定 readout 群体对单一目标（target 2）的分类器权重热图，逐日对比可见权重模式随天数渐趋相似。(c) 相邻两天权重的平均相关（深红）从 early 的约 0.34 爬到 late 的约 0.64，与成功率曲线（黑，复制自图 1b）平行——编码稳定化与行为改善具有相近的时间过程。(d) 全部 unit（灰）、readout（红）、nonreadout（蓝）的分类准确率逐日演化，readout 全程居上。(e) 10 个 series 的 early/late 箱线图：readout 内部 early→late 显著提升（p = 0.006），nonreadout 无变化（p = 0.13）。这张图论证的是"辅助算法没有取消 credit assignment"，同时为图 3 提供后续分析的依据——看 (b) 的最下面几行，权重明显向少数单元集中了。

来源：原文 Fig. 3，PDF 第 5 页。

图 3 · 学习导致神经表征的 compaction。 (a) NAC 分析示意：先算每个 unit 的单单元分类准确率，排序后逐个累加。(b–d) fixed decoder 数据（示例为 monkey R）：早期（青）与晚期（紫）的排序准确率和归一化 NAC 几乎重合，达到 80% 峰值所需的 Nc 不降反稳（monkey P ΔNc = 0，monkey R ΔNc = 2，均不显著）。(e–g) adaptive decoder 数据（示例 series）：Nc 随学习显著缩小，跨 10 个 series 以 readout 总数的比例表示，late < early（p = 9.8 × 10⁻⁴）。(h, i) 组合式 NAC：横轴为组合大小，紫色点为包含全部 top-Nc 单元的组合、橙色为不含任何 top 单元的组合，早期两种组合尚有重叠，晚期紫橙分离。(j) 用 d′ 量化的性能差距在 late 显著大于 early（p = 1.9 × 10⁻³）。这张图是全文的核心证据：fixed decoder 下信息保持分布，adaptive decoder 下学习把任务信息压进了特定的一小撮 readout——而且这撮单元同时也最能离线重建光标速度。

来源：原文 Fig. 4，PDF 第 6 页。

图 4 · 模型：decoder adaptation 直接参与塑造 compaction。 (a) RNN 架构：输入层经随机编码矩阵 F 接收延迟的目标、末端执行器位置与 context 信号，循环权重 W、输入权重 U 可塑，输出经 V 控制手臂模型（arm context，全部单元）或 BCI 光标（BCI context，仅 readout）。(b) 三阶段训练：先学手臂任务，再用手臂轨迹拟合解码器，最后切到 BCI 训练。(c) 不同 CLDA 强度下的归一化 log 性能：无论强度，adaptive 都加速早期学习。(d) 末 5 天平均性能——中等强度维持或改善最终性能（种子胜率最高 9/10），最强适应（0.5）反而最差（1/10），因为算法目标与任务目标后期冲突。(e) 排序的单单元在线性能：adaptive（粉）晚期衰减更陡，即强者愈强。(f) 用在线性能算的 NAC：fixed 晚期要 12 个 readout 里的 11 个才到 80%，adaptive 则明显压缩。(g) 组合式性能分布的 IQR：fixed 更大，说明 adaptive 同时压制了低贡献单元的干扰。(h) 有无 CLDA 下循环权重变化 ΔW 的散点，决定系数随 CLDA 强度从 0.27 降到 0.046——共同适应驱动的是一条不同的模型权重更新路径。这张图提供模型内部的因果对照：同样的初始网络，只改算法这一个变量，compaction 就出现或消失。

来源：原文 Fig. 5，PDF 第 8 页。

图 5 · 任务信息涌现于低方差神经模式。 (a) 把 NAC 的特征从单神经元换成 PC 模式的分析示意。(b–d) fixed decoder（monkey R 示例）：排序 PC 准确率与 PC adding curve 早晚期几乎不变，所需 PC 数无变化（两只猴 ΔNPC 均为 0）。(e–g) adaptive decoder：NPC 随学习显著下降（p = 9.7 × 10⁻⁴）。(h) 左右两列对比是这张图的关键比较——按方差排序的各 PC，其方差分布（上）与分类准确率（下）并不对齐：解码力最强的 PC（绿色虚线）解释的方差并不靠前。(i) 晚期分类准确率在 bottom-50%（低方差）PC 组显著高于 top-50%（高方差）组（p = 0.001）。(j) 每个 PC 的准确率增量与其方差无相关（R² ≈ 0.01）。(k, l) loading 分析：强解码 PC 的 loading 平方几乎全由排序靠前的单元贡献（top-4 vs bottom-4，p = 0.002），高方差 PC 则是随机混合（p = 0.38）。这张图把 compaction 从"少数神经元"升级到"少数协同模式"，并给出一个对领域方法论的警告：只看 top PCs 可能刚好漏掉大脑真正用来干活的那部分活动。

讨论与解读边界

本文提醒我们，帮助控制的算法也可能改变学习后可读出的神经表征。值得保留的是两个不同结果：任务信息可集中在较少单元中，而总活动方差的维度不一定下降；按方差选择主成分也可能遗漏有用的任务信息。

动物数据中的固定与自适应条件来自不同实验和解码设置，不能把组间差异全部归因于 CLDA。模型通过控制其他条件展示了一个可行机制，因果解释仅在模型假设内成立，并不是实测突触改变的证据。低方差模式含有较多可分类信息，也不自动证明它们是实际驱动行为的唯一通道。信息集中会提高效率还是增加对单元丢失的脆弱性，本文未直接检验。

思考问题

1. 在同一动物、同一解码器家族中随机交替辅助强度，神经信息集中现象是否仍出现？
2. 若移除高信息单元，集中表征与分布式表征哪一种更能维持在线控制？