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
闭环 BCI 的学习发生在两个相互作用的系统中:动物会改变神经活动,解码算法也会根据任务目标和近期误差更新参数。持续或按需的解码器适应(CLDA)可以迅速提高可用性,却也改变哪些神经元与输出之间的关系。于是,性能变好并不能单独说明动物学到了什么。任务信息可能仍然广泛分布,也可能逐渐集中到少数直接参与读出的单元;若只观察成功率或平均调谐,就无法判断辅助算法是在帮助形成稳定技能,还是替代了部分神经学习并重塑了表征结构。
这一问题与“信用分配”紧密相关。直接接入解码器的 readout 单元和只记录而不控制输出的 nonreadout 单元,面对的误差关系不同。若学习主要改善 readout 信息,说明变化并非整个记录群体的普遍漂移。进一步需要问:达到相同解码精度需要多少单元,信息是否集中于少数群体模式,以及这些模式是否恰好位于高方差主成分。高方差代表活动变化大,并不必然等于任务信息多;仅用前几个主成分概括学习,可能遗漏低方差但关键的读出维度。
Rajeswaran 等结合既有猴数据与网络模拟研究这一问题。动物分析比较固定与自适应解码范式,用单元加入曲线和主成分分析追踪学习早晚期的信息分布;RNN 则在其他条件相同的情况下操纵 CLDA 强度,检验解码器适应能否产生类似的信息集中。这样的证据链把观察与机制探索分开:猴数据中的跨研究差异不能完全归因于算法,模型内的对照也只能在模型假设内说明一种可行机制。研究由此关注的不是辅助算法“好不好”,而是它如何改变学习后的神经表征、这些变化对稳定性和单元丢失可能意味着什么。
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
主要生理数据来源于两只恒河猴(猴 J 与猴 S,采用 Orsborn 2014 的原始实验数据),双侧微电极阵列(128 通道微丝阵列)慢性植入运动皮层与前运动皮层手臂区;猴 J 基于通道级阈值穿越事件,猴 S 基于离线脉冲分选的多单位放电,二者统称为神经单元。实验依据记录电极的长期物理稳定性(而非调谐功能特性)筛选部分神经单元作为位置-速度卡尔曼滤波器的输入以驱动二维光标,定义为读出(readout)神经元群体;未接入滤波器的记录通道定义为非读出(nonreadout)群体。实验任务为八方向中心向外触靶任务:光标自中央出发到达外周目标限时 3–10 s,入靶后保持 250–400 ms 获得糖水奖励。分析筛选连续测试周期至少为 4 天的学习序列(猴 J 包含 7 个序列,猴 S 包含 3 个序列,共 10 个序列;两只猴累计测试了 13 个与 6 个不同的解码映射);学习早期与晚期分别定义为各方向成功试次达到至少 25 次的首日与末日(代表性序列测试跨度为第 2 天至第 17 天)。在线闭环解码器自适应(CLDA)采用 SmoothBatch(猴 J)或 ReFIT 算法(猴 S):第 1 天运行 5–15 min 提升初始控制能力至能够到达各方向目标,随后仅在任务成功率突发下降约 10–20% 或读出单元丢失时执行 3–5 min 的在线微调。离线评估使用多分类逻辑回归模型,基于出发提示(go-cue)后 1800 ms 内以 100 ms 时间窗分箱的放电率预测 8 个目标方向类别,每日每个方向抽取 25 次试次执行 100 次交叉验证。固定解码器对比数据来源于 Ganguly & Carmena 2009(猴 P 与猴 R,采用固定 Wiener 滤波器),依 150 次试次划分早晚期阶段。神经网络建模构建了包含 100 个 ReLU 单元的循环神经网络(RNN):网络首先在二关节平面机械臂模型上学习中心向外到达任务,随后随机指定 12 个隐藏单元作为读出单元拟合速度卡尔曼滤波器,切换情境进入脑机接口任务学习;网络权重基于 REINFORCE 强化学习算法更新(以负任务损失作为奖励函数),CLDA 适应速率 α 分别设为 0.1、0.25 与 0.5(α = 0 即对应固定解码器),每种配置测试 10 个随机网络种子。
主要结果
信用分配分析首先排查了读出通道的特异性变化:离线分类器基于全部记录神经单元预测目标类别的平均准确率在两只猴分别为 0.83±0.11(猴 J)与 0.78±0.13(猴 S);在学习早期与晚期,读出单元的分类准确率均显著高于非读出单元(两只猴均达 p = 0.002);在从早期至晚期的演进中,仅读出单元呈现显著提升(p = 0.006),非读出单元的分类性能未发生显著变化(p = 0.13)。稳定读出单元的分类器回归权重在相邻天数间的皮尔逊相关系数从早期的 0.34±0.045 上升至晚期的 0.64±0.045(p = 0.001,N = 10),与行为成功率的提升曲线保持平行。对照分析表明,在手部运动任务中未见读出与非读出单元的这种分化,且单次算法微调事件前后未见分类准确率的即时阶跃,支持神经表征变化主要随闭环经验逐步沉淀。
核心观察在于神经表征的信息紧致化(compaction)。采用神经元累加曲线(NAC)按单单元分类准确率从高至低依次累加单元,评估达到该群体峰值准确率 80% 所需的最小神经单元数量 Nc。在自适应解码器条件下,晚期达到 80% 阈值所需的 Nc 显著少于早期(猴 J 的变化量 ΔNc 介于 −4 至 −1 之间,最大 p = 0.018;猴 S 的 ΔNc 介于 −2 至 −1 之间,最大 p = 0.031;10 个序列合并统计达 p = 9.8×10⁻⁴)。相比之下,固定解码器数据显示出相反趋势:两只猴晚期的 Nc 未见下降(猴 P 的 ΔNc = 0,p = 0.55;猴 R 的 ΔNc = 2,p = 0.8),表明信息保持在较广的神经群体中。组合式神经元抽样分析表明,在学习晚期,包含全部核心单元(top-Nc)的组合与完全排除核心单元的组合之间的分类性能差距 d' 较早期显著扩大(p = 1.9×10⁻³),表明任务预测信息的增长主要汇聚于少数核心神经元。
循环神经网络模拟在受控环境中再现了解码器自适应的影响。模型结果显示,引入 CLDA 能够加快早期的控制性能习得;适度适应强度下(α = 0.1 与 0.25),网络的终末控制表现持平或优于固定解码器(10 个测试种子中有 9 个优于固定模型);但过高的适应强度(α = 0.5)反而会损害终末精度,主要源于解码算法的瞬时导向目标与晚期终端精准制动的行为要求产生冲突。关键的是,RNN 完整复现了信息紧致化现象:固定解码器网络在训练晚期需动用 12 个读出单元中的 11 个才能达到 80% 的性能基线,而自适应网络中任务主导单元的贡献度显著抬升,仅需少数单元即可维持性能。对比有无 CLDA 条件下的网络循环权重更新量 ΔW,两者的决定系数随着适应速率 α 从 0.1 增加至 0.5,自 0.27 单调下降至 0.046,表明人机协同适应诱导了不同的网络突触可塑性重组路径。
群体主成分维度的分析揭示了信息在低方差模式中的聚集。将 NAC 分析迁移至主成分(PC)空间,在自适应解码器条件下,达到 80% 分类准确率所需的主成分数 NPC 随学习进展显著降低(跨序列检验 p = 9.7×10⁻⁴),而固定解码器条件下 NPC 保持稳定。然而,总神经活动方差在各主成分间的分布并未同步收敛,基于参与比(participation ratio)评估的几何维度保持稳定或略有拓宽。主成分的信息量分布呈现非均匀性:解释总方差 80–84% 的前 50% 高方差主成分,其晚期目标分类准确率显著低于仅占总方差 16–22% 的后 50% 低方差主成分(p = 0.001);各主成分分类准确率的增长量与其所解释的方差大小之间无显著相关性。载荷向量分析进一步表明,具有最高解码能力的主成分几乎完全由前述核心读出神经元主导构建(核心读出单元与末尾单元的载荷平方和差异达 p = 0.002),而高方差主成分的单元构成则表现为群体的均匀随机混合。
逐图解读

来源:原文 Fig. 1,PDF 第 2 页。
图 1 · 实验设计原理与示例学习进展。 (a) 闭环脑机接口系统构架:运动皮层记录的神经单元划分为读出群体(红色,输入解码器)与非读出群体(蓝色,仅记录不驱动控制),仅读出通道放电由卡尔曼滤波器实时转换为光标速度,动物依据视觉反馈执行二维中心向外控制。(b) 猴 J 示例学习序列的行为表现:黑色实线表示达标成功率,橙色虚线表示平均运动时间,竖直灰色参考线标记在线适应微调事件。(c) 学习早期(左)与晚期(右)的闭环光标运动轨迹对比。

来源:原文 Fig. 2,PDF 第 3 页。
图 2 · 信用分配在读出与非读出单元间的特异性演变。 (a) 离线评估流程:基于出发提示后的时间分箱放电率训练逻辑回归模型预测 8 个目标方向类别,读出与非读出通道独立评估。(b) 稳定读出单元对单一目标的回归权重热图。(c) 相邻实验日权重向量的平均相关性(深红色)与任务成功率曲线(黑色)的对比演进。(d) 总体单元(灰色)、读出单元(红色)与非读出单元(蓝色)分类准确率随日期的变化趋势。(e) 10 个测试序列在早晚期的箱线图统计:读出单元分类能力显著上升(p = 0.006),非读出单元未见显著改变(p = 0.13)。

来源:原文 Fig. 3,PDF 第 5 页。
图 3 · 神经表征紧致化现象的实证量化。 (a) 神经元累加曲线(NAC)分析示意图。(b–d) 固定解码器对照数据(猴 R 示例):早期(青色)与晚期(紫色)的累加曲线基本重合,达到 80% 性能阈值所需单元数 Nc 保持恒定。(e–g) 自适应解码器数据(示例序列):Nc 随学习进展显著缩减,跨 10 个测试序列统计显示晚期显著小于早期(p = 9.8×10⁻⁴)。(h, i) 组合式神经元抽样分析:包含全部核心单元(紫色)与完全排除核心单元(橙色)的组合性能在晚期明显分立。(j) 两类组合在晚期的性能差距 d' 显著大于早期(p = 1.9×10⁻³)。

来源:原文 Fig. 4,PDF 第 6 页。
图 4 · 循环神经网络模拟中解码自适应对表征紧致化的塑造。 (a) RNN 计算架构示意图:模型包含感觉输入层、循环隐藏层及运动输出层。(b) 三阶段模拟训练流程:自然手臂运动预训练、解码器参数拟合并切换至脑机接口任务。(c) 不同适应速率 α 下的对数性能增长曲线。(d) 终末阶段平均控制性能对比。(e) 隐藏单元在线控制贡献度的排序分布。(f) 基于在线性能计算的单元累加曲线。(g) 组合式性能分布的四分位距(IQR)变化。(h) 有无自适应条件下网络循环权重变化量 ΔW 的离散对比,决定系数随适应强度增大而衰减。

来源:原文 Fig. 5,PDF 第 8 页。
图 5 · 任务相关信息在低方差主成分模式中的分布特征。 (a) 主成分累加曲线分析示意。(b–d) 固定解码器条件下达到 80% 准确率所需的主成分数 NPC 保持稳定。(e–g) 自适应解码器条件下 NPC 随学习显著下降(p = 9.7×10⁻⁴)。(h) 按方差排序的各主成分方差解释率分布(上)与其对应的目标分类准确率(下)的对比,解码能力最强的主成分未落在最大方差维度。(i) 后 50% 低方差主成分的晚期目标分类准确率显著高于前 50% 高方差主成分(p = 0.001)。(j) 主成分准确率增益与其方差大小无显著相关性。(k, l) 载荷向量分析表明高解码能力主成分主要由核心读出单元构建。
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
- 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?
- 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?