字号
主题
主题色
字体
文献集总览 / 猕猴上肢运动、学习与虚拟反馈 / A · 运动表征、视觉反馈与实验测量 / A06 · 解码伸手运动中的手臂速度

A06 · Decoding arm speed during reaching

Inoue, Y., Mao, H., Suway, S.B., Orellana, J., & Schwartz, A.B. (2018). Nature Communications, 9, 5243. doi:10.1038/s41467-018-07647-3

M1 放电中的速度相关加性项,在偏斜的偏好方向采样下会使特定的简化解码器产生漂移和方向偏差。直接回归与混合神经网络在本文的仿真、离线数据及一只猴的闭环实验中改善了控制。

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。

本文目录
  1. 背景
  2. 研究思路
  3. 方法
  4. 主要结果
  5. 逐图解读
  6. 讨论与解读边界
  7. 思考问题

背景

脑机接口要把群体放电转换为连续运动,通常先估计神经元对方向、速度等变量的编码,再逆转这一映射。经典方向调谐模型容易让人把放电变化理解为“偏好方向增强、反方向减弱”,但速度对 M1 的影响未必只表现为方向调谐幅度的缩放。某些神经元会在多个方向上随速度整体提高或降低放电,形成与方向无关的加性项。若编码模型只保留方向相关的增益项,速度信息就会在求逆时被错误分配到基线和其他方向,进而产生系统性偏差。

这种偏差是否明显,还取决于记录群体。偏好方向均匀分布时,不同神经元的加性误差可能在群体求和中相互抵消;偏好方向偏斜时,抵消失败,解码器就可能在用户想静止时输出非零速度,即漂移,也可能让某些方向被高估、另一些方向被低估。由此,漂移不一定只是电极不稳定或用户控制不佳,也可能来自编码模型与采样分布共同造成的可预测错配。要证明这一点,需要在相同模拟数据上分别改变编码方式和偏好方向分布,再在真实记录与闭环控制中检验,而不能只比较解码后的平均轨迹。

Inoue 等沿着这一问题展开:先量化速度加性项在 M1 中的普遍性,再用仿真说明简化解码器如何把模型错配转化为漂移和方向偏差,随后比较直接回归与混合神经网络,最后在闭环 BCI 中检查保持静止和到达目标的表现。研究的贡献方向不是宣布某类线性模型必然失效,而是明确一种失效发生的条件及其机制。校准方式、保持时间、参考速度和动物学习都会影响闭环表现,因此离线改善与在线优势必须分开评价,也不能把结果外推为所有任务中漂移都被彻底消除。

研究思路

论文先通过仿真分离编码模型和采样分布的影响,再在离线记录及闭环控制中比较解码方法。均匀与偏斜采样、不同编码假设以及直接回归和混合网络构成关键对照,结论针对这些实现和测试条件。

方法

两只雄性恒河猴(猴 N、猴 C),各在 M1 手臂区慢性植入一个 96 通道 Blackrock 微电极阵列,单日分别分选出 86 个(猴 N)与 93 个(猴 C)单单位。手臂运动实验采用虚拟现实中心向外伸手任务:手腕上固定的红外标记点(由 Optotrak 系统以 60 Hz 采集)实时追踪手部运动,并在三维立体显示器上映射为球形光标,该光标作为手臂运动的唯一视觉反馈。16 个目标均匀分布在正前方垂直平面上(距离中心分别为 8 cm 与 7.4 cm),每个目标记录 69 次(猴 N)与 47 次(猴 C)试次。数据根据运动学事件标记点(目标出现、运动发起、峰值速度、运动结束、保持结束)进行时间归一化,每个试次划分为约 30 ms 的时间窗(猴 N 标准化为 31 个时间窗)。

仿真实验设置了 36 个模拟神经元,择优方向分别采用均匀分布(间隔 10°)或 von Mises 偏斜分布(参数 μ = 180°, κ = 1.3);生成模型分别采用纯增益模型(gain-only,m = 0.5 Hz/(m/s), bs = 0)或偏置模型(offset model,m = bs = 0.25,偏置比为 0.5),基线放电率设为 30 Hz 并叠加泊松噪声;运动速度输入取自猴 N 全部 69×16 次试次的平均钟形速度剖面,按 16 个目标×50 次重复共生成 800 次试次。闭环脑机接口实验仅在猴 N 上进行:双臂受到物理约束,8 个目标(半径 6 mm)呈圆形排列于半径 8.5 cm 的虚拟圆周上,要求在 1500 ms 内到达,中心保持与目标保持时间均为 400–500 ms;每个实验会话在线分选平均 138 个神经单元(包含 75 个单单位与 63 个多单位)。系统校准采用共享辅助控制方案:计算机辅助指令与神经解码意图按权重比例 α 线性混合,α 从 1 开始每个组块递减 0.2,六个组块后降至零。每天进行两种解码器的配对测试并交叉轮换先后顺序,历时六天,每个目标累计完成 154 次(最优线性估计器,OLE)、181 次(直接回归,Direct Regression)与 183 次(混合神经网络,hANN)有效试次。hANN 的构建流程为:将辅助校准阶段拟合出的各单元偏置调谐函数赋予输入层的“虚拟神经元”,以 16 个空间方向(包含 8 个未见方向)的仿真速度驱动生成合成放电率以训练网络,训练耗时约 9 秒,单步预测延迟为 8 ms。

主要结果

编码分析表明速度偏置项在神经放电中广泛存在。在最优时间滞后(扫描范围 −120 到 270 ms;猴 N 中位数 90 ms,猴 C 中位数 60 ms)下,偏置模型解释了显著的放电率方差,中位拟合优度 R² 分别达到 0.59(猴 N)与 0.62(猴 C)。偏置比(offset ratio)的中位数分别为 0.57(猴 N)与 0.41(猴 C),表明对多数 M1 神经单元而言,与方向无关的速度偏置项对放电率的调制贡献与方向选择性调制处于同一数量级。三个典型单元呈现了连续谱系:偏置比为 −0.082 的神经元表现为经典的方向调谐,择优方向与反向方向的放电呈正负对称增减;偏置比为 0.868 的神经元在 16 个运动方向上的放电曲线高度重叠,几乎纯粹反映运动速度变化;偏置比为 0.370 的中间型神经元最为常见,在择优方向附近 90° 范围内保留方向调谐,而在反向方向的放电曲线低平且相互重叠。

数值仿真揭示了解码偏差的产生机制。对于采用纯增益模型生成的合成放电率,仅含方向参数的回归模型能准确复原生成参数(拟合方程为 ^y = 30.0 + 4.77·cos(θ−90.2°));而当数据由偏置模型生成时,该回归模型将基线放电率系统性高估为 32.5 Hz(真实值为 30 Hz)。这一基线估算偏差导致归一化后的放电率在静止阶段变为负值,使得解码器在理论静止时段持续输出非零速度,表现为脑机接口控制中的非预期漂移(drift)。此外,在方向表征上,偏置型神经元在与择优方向正交的方向上持续输出虚假分量,而在反向运动方向上速度调制受到压制。当神经元择优方向呈均匀分布时,上述偏差在群体求和时彼此抵消;但当采样分布呈现方向偏斜时,误差累积——OLE 解码输出的运动轨迹向左侧过冲,速度峰值出现方向依赖性波动,x 轴速度分量在右侧目标欠调制、在左侧目标过调制。理论推导进一步表明,该偏斜采样条件下群体速度偏置系数的 x 分量是 y 分量的四倍,基线漂移主要集中在 x 轴维度。

改进的解码架构有效缓解了上述偏差。在“偏斜采样加偏置编码”的仿真条件下,直接回归与人工神经网络(ANN)均重建出平直的轨迹与方向一致的钟形速度曲线,其终点误差散布半径中位数分别为 1.21 cm 与 0.80 cm(ANN 显著更小,n = 16×50×10, p < 0.001)。基于真实手臂运动数据的离线测试(以拟合 R² > 0.03 筛选出猴 N 的 33 个单元与猴 C 的 19 个单元)再现了相同趋势:OLE 轨迹发生扭曲且速度峰值参差不齐;直接回归表现有所提升;ANN 的速度相关系数在猴 N 上达到 r = 0.91(x 轴)与 0.89(y 轴),在猴 C 上达到 0.84 与 0.86,速度向量场相关性显著优于其他算法(p < 0.001,经 Bonferroni 校正)。在闭环脑机接口测试中,OLE 控制的光标在运动发起前即发生明显漂移;直接回归与 hANN 能够实现快速移动,并在中心保持及目标保持阶段维持稳定:中心保持期的平均游走速度表现为 OLE > DR > hANN(两两差异均达 p < 0.001);在目标保持成功率方面,直接回归与 hANN 在第 1 至 4 天显著高于 OLE(卡方检验 p < 0.001),运动轨迹曲率也显著更低。需说明的是,为维持动物在 OLE 条件下的实验完成度,该条件下的中心保持时间被适度缩短,且校准参考速度下调至 80%,这些参数设置需在对比闭环性能时一并考量。

逐图解读

图1

来源:原文 Fig. 1,PDF 第 3 页。

图 1 · 猕猴中心向外伸手的运动学基线。 (a) 16 个空间方向的平均手部轨迹呈现放射状分布;(b) 所有方向汇总的速度剖面曲线,黑色实线为平均值,灰色阴影区域表示标准差(猴 N 包含 69×16 次试次;猴 C 包含 47×16 次试次)。四个黑点依次标记运动发起、峰值速度、运动结束以及保持结束四个运动学时间节点,作为全文时间归一化的对齐基准。两只猴的峰值速度分别为 35.3±4.93 cm/s(猴 N)与 47.6±5.51 cm/s(猴 C),呈典型钟形分布。

图2

来源:原文 Fig. 2,PDF 第 4 页。

图 2 · 神经编码模型的回归拟合结果。 左右两列分别对应猴 N(86 个单元)与猴 C(93 个单元)。(a) 最优时间滞后分布直方图,中位数分别为 90 ms(猴 N)与 60 ms(猴 C),表明皮层放电超前于外周运动约 1 至 2 个分析时间窗;(b) 偏置模型的最大拟合优度 R²,中位数分别为 0.59 与 0.62;(c) 偏置比分布直方图,中位数分别为 0.57 与 0.41,主体分布落在中间范围,表明速度偏置项在神经群体中普遍存在。

图3

来源:原文 Fig. 3,PDF 第 4 页。

图 3 · 三个典型神经单元的放电模式。 各轨迹对应不同目标方向上的平均放电率。(a) 单元 89-1(偏置比为 −0.082):表现出经典的方向调谐,择优方向放电升高,反向方向放电降低,增减呈现对称性;(b) 单元 32-2(偏置比为 0.868):16 个方向的放电曲线高度重合,主要随速度变化同向起伏,方向选择性微弱;(c) 单元 55-1(偏置比为 0.370):展现典型的中间型特征,在择优方向 ±90° 范围内保留方向调谐,而在反向运动方向上放电曲线低平并紧密重叠。

图4

来源:原文 Fig. 4,PDF 第 5 页。

图 4 · 简化方向归一化在偏置编码下引入偏差的机制模拟。 左列由纯增益模型生成,右列由偏置模型生成(择优方向设为 90°)。(a) 16 个方向的模拟放电率:左列关于 30 Hz 基线呈对称分布,右列不对称且基线被方向回归模型高估为 32.5 Hz(黑色横线);(b) 归一化后的放电率:左列在运动前后准确归零,右列在运动前后出现负值偏移;(c) 沿择优方向的单位贡献向量长度:左列准确复现钟形速度曲线,右列在运动前后呈现负值;(d) 与择优方向正交的维度(PD+90°):左列保持平坦零贡献,右列全程输出非零分量;(e) 反向运动方向(anti-PD):左列为倒置的速度曲线,右列退化为平直曲线导致速度信息丢失。该模拟表明未建模的偏置项会导致基线漂移、正交串扰以及反向响应失真。

图5

来源:原文 Fig. 5,PDF 第 6 页。

图 5 · 采样偏斜对群体水平偏置误差的影响。 采用“采样分布(均匀/偏斜)× 编码模型(纯增益/偏置)”的 2×2 设计,各列展示对应条件下的四项重建指标(运动轨迹、合成速度、x 轴速度分量 Vx、y 轴速度分量 Vy),均采用最小 OLE 解码器重构。在前三列(均匀采样配纯增益、偏斜采样配纯增益、均匀采样配偏置模型)中,解码轨迹均平直且对称;在第四列(m–p,偏斜采样配偏置模型)中,轨迹明显向左过冲,速度峰值随方向发生系统性波动,且 Vx 分量在不同侧目标呈现出调制不对称。结果表明偏置误差在偏斜采样条件下会显现为群体读出的系统性失真。灰色粗线为真实速度剖面参考。

图6

来源:原文 Fig. 6,PDF 第 7 页。

图 6 · 直接回归与人工神经网络在偏斜采样仿真中的重建表现。 测试数据与图 5 第四列完全一致。(a–d) 直接回归模型:重建轨迹平直,速度曲线呈钟形且在不同方向间保持一致;(e–h) 人工神经网络(ANN):运动重建平稳,其终点误差散布半径显著更小(中位数 0.80 cm 对比直接回归的 1.21 cm)。两种模型均绕开了“先估计编码模型再求逆矩阵”的计算路径,直接映射神经放电至速度空间。

图7

来源:原文 Fig. 7,PDF 第 9 页。

图 7 · 真实手臂运动数据的离线解码对比。 (a, i) 纳入分析神经单元的择优方向分布(猴 N 为 33 个单元,猴 C 为 19 个单元,红线指示平均方向),两群体的方向采样均表现出统计学偏斜。右侧展示三类解码器的表现对比:OLE(c–d, k–l)轨迹弯曲且速度幅度存在方向依赖性;直接回归(e–f, m–n)表现有所改善;ANN(g–h, o–p)的轨迹形态与速度平滑度较好。(b, j) 各运动方向上的解码与真实速度相关系数,ANN 在绝大多数方向上显著高于 OLE(p < 0.001,经 10 折交叉验证重复 10 次检验)。

图8

来源:原文 Fig. 8,PDF 第 10 页。

图 8 · 闭环脑机接口控制中的漂移与改善效果。 从左至右分别展示方差归一化 OLE(第 4 天)、直接回归(第 6 天)与 hANN(第 6 天)的平均运动轨迹与速度剖面。(a) OLE 控制的光标在运动发起前即偏离中心,运动前后的速度基线显著高于零;(c) 直接回归的轨迹稳定性增强;(e, f) hANN 在中心保持阶段速度贴近于零,到达目标后能迅速制动,且运动段展现出自然的钟形速度轮廓。在参数设置上,OLE 条件下的中心保持时间被适度缩短以维持动物完成率,各速度曲线在比较时均保持原始输出幅值未经缩放。

图9

来源:原文 Fig. 9,PDF 第 10 页。

图 9 · 连续六天配对对比的量化表现。 每天采用顺序轮换方式测试解码器组合,统计四项指标:(a) 中心保持期的平均游走速度(量化静态漂移程度),呈现 OLE > 直接回归 > hANN 的阶梯式下降(两两比较均达 p < 0.001);(b) 目标保持期速度呈现相同趋势;(c) 运动轨迹平均曲率,直接回归与 hANN 显著低于 OLE(第 1–4 天 p < 0.01),hANN 在第 5–6 天表现略优于直接回归(p < 0.05);(d) 成功在目标内制动的试次比例,直接回归与 hANN 显著高于 OLE(p < 0.001),两者在第 5–6 天的成功率差异无统计学显著性。

讨论与解读边界

本文将一个具体的解码失效与编码模型错配联系起来:速度不仅调节方向性响应的幅度,也可能贡献与方向无关的加性项。仿真中的均匀与偏斜采样对照说明,偏差是否在群体读出中抵消,取决于采样和解码权重。不能将这一结果扩展为所有线性解码器或所有 Kalman 滤波器必然失败。

闭环验证是论文的重要部分,但仅来自一只猴、六天实验;部分解码器的保持时间和参考速度设置也有调整,应连同结果报告。直接回归和 hANN 的优势适用于本文所测任务,不宜写成“彻底消除漂移”或首次实现稳定 BCI。由刻板中心外向伸手推广到任意速度、曲线路径和长期使用,仍需额外验证。

思考问题

  1. 若测试速度变化与方向变化相互独立的轨迹,hANN 对未见运动的优势是否仍然存在?
  2. 在相同保持时长、校准数据量和参考速度下比较各解码器,性能差异会怎样变化?
返回总纲