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 / C · 运动学习、活动范围与准备状态 / C04 · 神经流形对学习的约束

C04 · Neural constraints on learning

Sadtler, P.T., Quick, K.M., Golub, M.D., Chase, S.M., Ryu, S.I., Tyler-Kabara, E.C., Yu, B.M., & Batista, A.P. (2014). Nature, 512, 423–426. doi:10.1038/nature13665

在数小时的 BCI 训练中,流形内映射扰动总体比流形外扰动更容易学会。结果表明既有群体活动结构约束短时间内可实现的控制策略。

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

运动技能之间的学习难度为何相差很大,不能仅由动作的表面复杂性回答。神经群体中的细胞并非彼此独立地任意改变放电,而是具有共同变化的结构;即使记录到很多单元,其主要协同活动也可能由少量维度描述。由此产生一种解释:某些新技能只需重新使用已有协同模式,另一些则要求产生平时很少出现的组合,后者可能更难在短时间内形成。自然运动中的观察难以直接检验这一点,因为任务要求、肌肉力学与感觉反馈同时影响表现,神经活动的低维结构究竟构成学习限制,还是仅仅反映熟悉任务的特点,并不容易区分。

脑机接口使实验者能够明确规定群体活动如何转化为光标运动。先用因子分析估计记录群体的主要共同变化维度,再设置从这些维度到光标速度的映射,就可以构造两种不同扰动。流形内扰动重新安排既有维度与输出的关系,流形外扰动则改变控制空间相对于既有结构的位置,要求使用不同的协同组合。两类条件都会立即破坏熟练控制,因此初始失败本身不能说明神经约束。真正有辨别力的是:在初始性能损伤、映射夹角和所需单元调谐改变量等指标尽量相当时,动物随后恢复多少,以及撤除扰动后是否留下后效。这样的设计把活动结构从观察指标变成了可操纵的实验因素。

Sadtler 等据此比较两只猴在数小时内对两类 BCI 映射的适应,并检查流形维度估计、搜索空间和残余手动等替代解释。流形内扰动总体更容易学会,支持既有群体协变结构限制短时可实现的控制策略。其意义在于说明学习难度与所需活动相对已有结构的位置有关,而不仅取决于行为误差有多大。但这种约束具有实验条件和时间尺度:流形外学习较少不等于完全不能学习,数小时结果也没有检验多日练习或渐进增加难度的效果。因子分析所描述的是有限记录群体的统计结构,并非直接测量的突触连接或全部可能神经状态。因此,本文为后续追问“怎样在结构内学习”和“更长训练能否突破现有范围”提供了起点。

研究思路

解码器先用因子分析提取低维活动,再映射到速度。流形内和流形外扰动改变不同层面的对应关系,研究比较短时训练中的恢复程度及若干难度指标,检验已有活动结构对学习的约束。

方法

两只雄性恒河猴(J,7 岁;L,8 岁),在 M1 近端手臂区植入 96 通道 Blackrock 阵列,每天取 85–91 个神经单元(每根电极的 threshold crossing,不做单神经元分离),spike count 以 45 ms bin、逐单元 z-score 后进入 decoder。任务是从屏幕中心向 8 个伪随机目标做 center-out 的 BCI 光标控制,目标距中心 150 mm(猴 J)或 125 mm(猴 L),限时 7500 ms。每天流程是:校准块标定 intuitive mapping 并用 FA 估计当天的 IM(校准样本量猴 J 1470±325、猴 L 1379±157 个),基线块 400 trial(J)/250 trial(L),扰动块 600/400 trial,最后 200 trial washout。扰动映射的选取经过严格筛选:首先枚举候选变换(流形内扰动为 10 个 factor 的全排列 10!≈363 万种;流形外扰动中,猴 J 选取调制深度最大的约 39 个单元在 600 万个随机排列中抽取,猴 L 则将单元分成 10 组进行组间置换,以匹配两类扰动的搜索空间),随后利用开环速度预测排除过难或过易的映射,使两类扰动的初始性能损伤角度匹配在相近区间(约 19.7°–44.4°)。总共分析了猴 J 的 67 个扰动 session(28 within、39 outside)和猴 L 的 29 个(14 within、15 outside),学习量用成功率与获取时间两项指标投影成一个标量,0 为没学、1 为完全恢复基线水平。

主要结果

核心结果表明:流形内扰动的学习量显著高于流形外扰动,后者在数小时训练中适应有限。在代表性 session 中,流形内扰动引入后成功率出现急剧下降,但在数百个试次内恢复;流形外扰动引入后表现同样显著下降,但在后续 600/400 个试次中未见明显恢复。全部 session 的 learning 量分布显示两类扰动显著分离(Fig. 2d),单独看成功率或获取时间也是同样结论(猴 J 成功率 p<10⁻³,获取时间 p<10⁻⁴;猴 L 获取时间 p=0.0014)。两条辅助证据把这个差异钉得更牢:一是 aftereffect,washout 换回 intuitive mapping 后,within 扰动之后出现明显的表现损失(学过才有后效),outside 扰动之后几乎没有(猴 J p<10⁻³);二是整个实验期间两种扰动都没有"越练越会学"的趋势,说明在本文所测训练安排中,没有明显的跨实验学习加速;尚不能排除更长训练的作用。

图 3 对五类替代解释进行了控制比较;这些比较增强了流形约束的解释,但不意味着已穷尽所有可能因素。两类扰动的初始表现损伤相同、控制空间与原控制空间的 principal angle 相同(顺带说明这不是简单的 workspace rotation,否则夹角应为零)、按最小放电率改变策略算出来的各单元 preferred direction 所需改变量相同、猴 L 的两类搜索空间大小被严格配平、手部运动两种条件下都几乎不存在——这些对照共同支持学习差异与以下因素有关:"新控制空间在不在 IM 之内"。另外,作者对 IM 本身做了整套 sanity check(Fig. 4):逐日做 2–30 维 FA 的交叉验证模型选择,估计的 intrinsic dimensionality 平均 9.81±0.31(范围 4–16),固定用 10 维在 89%(78/88)的天数里似然都在最优维数的 1 个标准误以内,且若真选错了维数,只会让两类扰动的学习差异被低估而不是高估。

逐图解读

图1

来源:原文 Fig. 1,PDF 第 28 页。

图 1 · 实验范式:两步 decoder 与两种扰动。 (a) 猴子调制 M1 活动控制光标取 8 个目标,decoder 先用 FA 把群体活动映到 IM,再用 Kalman filter 从 IM 映到光标速度;红箭头标 within-manifold 扰动(改 factor→速度),蓝箭头标 outside-manifold 扰动(改神经元→factor)。(b) 用三根电极做的概念图:每时刻的 spike count 是高维 neural space 里的一个点,黄色平面是刻画 co-modulation 的 IM,黑色线段是控制空间。(c) 三种映射的控制空间——intuitive(黑)、within(红,仍在黄平面内)、outside(蓝,伸出平面)。(d) 同一个神经活动模式(绿点)在不同映射下推出不同的光标速度。该图直观展示了两类扰动映射相对于内在流形(IM)的几何关系,确立了后文分析的几何框架。

图2

来源:原文 Fig. 2,PDF 第 30 页。

图 2 · 主结果:流形内扰动的学习程度更高。 (a, b) 各一个代表性 session 的逐 trial 表现:黑线成功率、绿线目标获取时间,虚线是切换映射的时刻,灰色竖带是 50-trial bin,● 和 ∗ 分别标记扰动后的初始与最佳表现。在流形内 session 中表现下降后逐步恢复,而在流形外 session 中表现持续处于低位。(c) 学习量的定义:在(成功率, 获取时间)平面上,从扰动后初始表现指向基线表现的向量为 max learning vector,每 bin 的实际改善向量投影其上、按长度归一。(d) 所有 session 的学习量直方图,红色 within(n=28/14)显著高于蓝色 outside(n=39/15),箭头指出 (a)(b) 两个 session。需要说明的是,流形外扰动的学习量分布并非完全为零,少数流形外扰动仍出现一定程度的适应,作者推测这可能源于对内在流形维数的保守估计,该问题在后续长期学习研究(C06)中得到进一步探讨。

图3

来源:原文 Fig. 3,PDF 第 32 页。

图 3 · 检验五种替代解释。 (a) 两类扰动引入瞬间的表现损伤相当,减弱仅由初始性能损伤解释的可能性;(b) 直观映射与扰动映射控制空间之间的 principal angle 两组无差异,不支持仅由所测子空间夹角解释差异,同时夹角非零说明扰动并非纯 workspace rotation;(c) 学会每类扰动所需的单元 preferred direction 改变量相当,不支持仅由所需偏好方向改变量解释差异。所有 panel 用双侧 t 检验。结合猴 L 搜索空间配平与极低手动伪迹两项对照,该图有效排除了这些具体的替代解释,支持控制空间相对内在流形的位置对学习难度具有约束作用。

图4

来源:原文 Fig. 4,PDF 第 33 页。

图 4 · IM 的性质:10 维是个稳妥的选择。 (a) 逐日 2–30 维 FA 的交叉验证 log-likelihood 曲线,峰(○)即当天的估计内在维数,实验固定用 10 维(●)。(b) 所有天数、两只猴的 EID 分布,均值 9.81±0.31。(c) 10 维模型与最优模型的似然差(以 EID 模型的标准误为单位),89%(78/88)的天数在 1 个标准误以内,全部在 2 个以内。(d) 10 个正交化 latent dimension 的累积 shared variance:头几个维度就占了大部分协方差。这张图回答的潜在质疑是"你的结论会不会是选错维数的 artifact"——而且作者指出,无论高估还是低估维数,都只会削弱而不是制造出两类扰动的学习差异。

讨论与解读边界

实验者直接操纵神经活动到光标运动的映射,并匹配若干初始难度指标,因此证据强于自然运动中的单纯相关。FA 所定义的 intrinsic manifold 描述记录群体的主要共同变化结构,不等于已经测得其突触连接。

关键结论是学习程度的组间差异,不是流形外映射绝对不可学习。初始损伤、映射夹角和单元调谐需求等对照排除了若干具体解释,但不能证明唯一机制。训练时间、渐进方案和神经采样范围都限定了结论;C06 的多日结果正说明这种约束具有时间尺度。

思考问题

  1. 在匹配总练习量后,连续数小时与跨日训练对流形外学习有何差异?
  2. 以不同维度估计和非线性流形重复扰动设计,学习难度排序是否稳定?
返回总纲