D04 · Neural population dynamics in motor cortex are different for reach and grasp
Suresh, A.K., Goodman, J.M., Okorokova, E.V., Kaufman, M., Hatsopoulos, N.G., & Bensmaia, S.J. (2020). eLife, 9, e58848. doi:10.7554/eLife.58848
在本文抓握任务中，M1 的低维旋转和线性自主动力学特征弱于伸手；LFADS 对抓握解码的改善也较小。结果限制了从伸手推广自主模式生成框架的范围。
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
从伸手中得到的旋转和低维动力学结果，未必适用于手指抓握。本文将相对独立的手部预成形与伸手数据比较，检验描述的行为边界。
研究思路
抓握时物体移向手部，尽量减少肩肘运动；研究以jPCA、一般线性模型、LFADS及tangling分析M1，并比较伸手和体感皮层记录。不同任务的数据来源与动物并不完全匹配，模型未检出某类结构也不等于不存在动力学。
方法
抓握任务两只猴（Dataset 1、2），半慢性可调深度的 SC96 阵列同时覆盖 M1 和 SCx，6 和 9 个 session 的顺序记录：M1 各 58、53 个单元，SCx 各 26、28 个单元，用于 jPCA 和 tangling；另有单 session 同步 M1 群体记录（Dataset 3：猴 3，44 个单元，Utah 阵列加浮动微电极阵列；Dataset 4：猴 1 隔三年换阵列再记，37 个单元），用于解码。任务含 25 个物体（算上不同朝向共 35 种呈现），每 session 每物呈现 8–11 次；14 摄像头 VICON（100 Hz）加 OpenSim 肌骨模型重建腕指约 30 个关节自由度。伸手数据来自另两只猴的旧数据（Dataset 5、6：各 76、107 个单元，KINARM 外骨骼，单 session）。jPCA 沿 Churchland 2012 流程（归一化、减跨条件均值、PCA），维度取 10（原版 6 维，此处为兼顾更高维的 grasp 数据折中）；伸手对齐运动开始、抓握对齐最大张指时刻，分析窗约 700 ms；35 个物体按接触前 10 ms 的手姿态用 Ward 法聚成 8 簇，以匹配伸手的 8 个条件（中位簇含 4 个物体）。LFADS 固定 30 个 factors、2 个 continuous controllers；解码用 Kalman 滤波（最优延迟 150 ms，10 折交叉验证）。tangling 在 20 维（grasp）或 6 维（reach）状态空间计算，窗口为对齐事件前 200 ms 到后 100 ms。
主要结果
jPCA 先复现了伸手：单神经元响应依旧杂乱（图1A），群体投影在前 jPCA 平面上转出规整的椭圆（图1C）。抓握任务里单神经元同样有丰富的条件特异调制（图1B），群体层面却没有旋转（图1D）：旋转动力学对 dx/dt 的方差解释（FVE）在 reach 与 grasp 之间差异巨大（t(16) = 19.44，p = 4.67e-13）。放松约束也无济于事：不限旋转的一般线性系统同样拟合不了 grasp（t(16) = 21.37，p = 1.57e-14）——结果不限于旋转约束，所测一般线性自主模型对抓握的拟合也较差。作者随后逐项检查了对齐事件、运动 epoch、峰值放电率（抓握反而更高）、平滑宽度、群体大小（从 76 个抽样到 55 个不变）和条件数等因素。
LFADS 检验了"动力学存在但高维/非线性"的辩护。LFADS 对单 trial 放电率的重建在两类任务里都变好，但改进幅度 reach 显著大于 grasp（t(311) = 7.07，p = 5.11e-12）。更决定性的是解码：统一用 37 个 M1 神经元训练，Kalman 滤波器从 LFADS 因子解码伸手终点坐标，R2 从 0.57（高斯平滑）跳到 0.93；解码抓握的 22 和 29 个关节自由度，只从 0.37 微涨到 0.46。改变 factor 数量、加 external input 都救不回 grasp。如果 latent dynamics 真的在生成抓握的肌肉时序，LFADS 理应像伸手那样大幅提升解码——它没有。
Tangling 给了第三个独立视角。伸手时神经轨迹比手臂运动学"更顺"（Q 更低），符合 pattern generator 的预期；抓握时 M1 的 tangling 与手的运动学相当甚至更高，而且与 SCx 没有差别——抓握期间的 M1 看起来不像自主发电机，倒像一块被输入推着走的皮层（对数比值上 grasp 的两个比较均与 reach 显著不同，t(2978) = -43 和 -39）。维度问题的借口也基本被封死：scree 谱不平、Gine-Ajne 检验不拒绝球面均匀性（p > 0.5），支持"神经元是流形的随机投影"；逐步删去几十个高阶 PC 后，基于群体活动的物体分类和运动学解码仍高于机会水平——高阶 PC 不是噪声，行为相关信号分布在整个可分辨的空间里，但这些结果仍未显示与伸手同样清晰的低维自主结构。
逐图解读
来源：原文 Fig. 1，PDF 第 3 页。
图 1 · jPCA：伸手有旋转，抓握没有。 (A) 伸手任务四个示例神经元（猴 4，Dataset 5），运动开始对齐，八种灰度对应八个方向——熟悉的多相位杂乱响应；(B) 抓握任务四个示例神经元（猴 2，Dataset 2），最大张指时刻对齐，不同深浅的蓝对应物体簇——单神经元层面照样有丰富的条件调制，说明旋转较弱并非缺少可测神经调制；(C) 伸手的群体投影在第一 jPCA 平面上转出干净的轨迹；(D) 抓握的群体投影不成旋转；(E) 旋转系统对 dx/dt 的 FVE：reach 远高于 grasp（t(16) = 19.44，p = 4.67e-13）；(F) 不限旋转的线性系统结论相同（t(16) = 21.37，p = 1.57e-14），数据点是跨条件交叉验证的各折、两猴汇总。读这张图先看 (C)(D) 的反差，再用 (E)(F) 确认反差不是错觉——即使把动力学放宽到任意线性系统，grasp 的 FVE 也趴在地上。
来源：原文 Fig. 2，PDF 第 4 页。
图 2 · LFADS：放开线性和维度约束也救不回 grasp。 (A) 伸手终点坐标：真实（上）、高斯平滑解码（中）、LFADS 解码（下），按八方向着色——两种都能分离条件，LFADS 更平滑可靠；(B) 猴 3 抓五种物体时五个手关节角度（黑色虚线，含第四掌指、第五近端指间、第一腕掌关节的屈伸）的解码：高斯平滑（绿）与 LFADS（红）误差相当；(C) LFADS 相对高斯平滑的解码提升：reach（灰）显著大于 grasp（蓝）（Mann-Whitney，***），reach 是 2 猴 × 2 个自由度，grasp 是 2 猴 × 22/29 个自由度。这张图的论证很巧：LFADS 的收益本身依赖数据里的动力学结构——reach 的 R2 从0.57增至0.93，grasp 从0.37增至0.46；增益差异不能单独判定动力学有无。该LFADS配置的增益有限，仍不能排除其他非线性或输入驱动模型。
来源：原文 Fig. 3，PDF 第 5 页。
图 3 · Tangling：抓握期间的 M1 更像感觉皮层。 (A) 伸手：每个点是某时刻某条件的神经状态的最大 tangling（Q）对运动学 Q 作图，运动学的 tangling 高于神经——皮层轨迹比输出"顺"，pattern generator 的签名；(B) 抓握：反过来，神经的 tangling 与手运动学相当甚至更高；(C) 抓握期间 M1 与 SCx 的 tangling 没有差别；(D) 三个对数比值汇总（运动/伸手运动学、运动/抓握运动学、运动/SCx），grasp 的两个比值都显著低于 reach（t(2978) = -43 和 -39，p 均极小）。抓握示例使用猴1 Dataset 1；A为另一组伸手记录，D 汇总两猴。这张图使用了不同于 jPCA 的局部导数一致性指标：它不拟合任何方程，只问"相近的状态是否有一致的导数"，结论却与图 1、图 2 同向。
讨论与解读边界
jPCA、一般线性拟合、LFADS 和 tangling 从不同方面比较了伸手与抓握，整体上支持两类任务的群体结构存在差异。抓握分析集中在接触前、近端手臂受限制的条件；它与自然的连续伸手—抓握不是同一行为范式。
模型拟合差不能证明动力学不存在，LFADS 收益较小也无法穷尽非线性、时变和输入驱动的可能。伸手与抓握来自不同动物及记录配置，控制分析降低了部分混淆，但不构成完全匹配的任务因果比较。与体感皮层相似的 tangling 支持输入影响较强的解释，尚未直接辨认或操纵这些输入。
原文图 3 图注将 A–C 一并标为 Monkey 1、Dataset 1，但 A 面板展示伸手，Dataset 1 在方法中被列为抓握数据。这里保留任务层面的比较，具体面板与数据集编号的对应仍需向作者核实。
思考问题
- 在同一动物、同一阵列上比较伸手、独立抓握和连续伸手抓握，差异是否保留？
- 显式加入视觉及本体感觉输入的动力学模型，能否更好地预测抓握单试次活动？