D03 · Long-term stability of cortical population dynamics underlying consistent behavior
Gallego, J.A., Perich, M.G., Chowdhury, R.H., Solla, S.A., & Miller, L.E. (2020). Nature Neuroscience, 23, 260–270. doi:10.1038/s41593-019-0555-4
在重复、稳定的伸手行为中，不同日期记录到的低维群体活动经线性对齐后保持较高相似性，并支持长期跨日离线解码。最长记录跨度约两年。
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
跨天记录的单元会更换，而熟练行为可以保持稳定。要比较长期群体活动，需要区分采样变化与潜在活动结构变化。
研究思路
作者对不同日期的低维活动作CCA对齐，比较跨日相似性与同日参考，并测试对齐后的离线读出。对齐使用条件和时间对应关系，因此结果不能直接等同于无需行为信息的在线自动校准。
方法
六只猴（C、M、T、J、H、P；T 为食蟹猴，其余为恒河猴），平面操纵杆中心出任务：中央目标出发，8 个外周目标（猴 H 为 4 个），C、M、T 有 instructed delay，go cue 后 1 s 内够到目标并保持 0.5 s。共 137 天数据，各套植入的记录间隔从约 3 周到约 2 年（约 750 天）。总计 9 个 96 通道 Utah 阵列、7 套植入：猴 C 两次植入（右半球 M1 记作 CR，数年后左半球 M1+PMd 记作 CL），猴 M 为 PMd+M1 双植入，猴 J 单植入 M1，猴 T 植入 PMd，猴 H 和 P 植入 S1 的 2 区。分析主要用各电极的 multiunit threshold crossing（每次约 100 个单元），并对 C、M、T 做了人工 spike sorting 用于控制分析和跨天单元追踪。每天的神经活动经 30 ms bin、50 ms 高斯平滑后做 PCA；流形维度按先前工作取 M1 10 维、PMd 15 维、S1 8 维。跨天对齐用 CCA 求线性变换，使后一天的 latent dynamics 与第一天最大相关；把同一天的 trials 分成两个目标匹配的子集做 CCA，得到相关性的上限，跨天 CC 与该上限之比定义为 normalized similarity。行为解码用 Wiener 滤波器（含 90 ms 尖峰历史），PMd 另用 naive Bayes 分类器在围绕运动开始的450 ms窗口（前390 ms至后60 ms）预测目标方向；显著性一律 P<0.001 的双侧 Wilcoxon 秩和检验。
主要结果
行为层面，各猴方向匹配的单 trial 手速度跨天相关平均都在 0.77 以上，猴 CR 相隔 731 天的轨迹几乎重合。神经层面则是另一番景象：猴 CL 同一批电极 16 天后波形面目全非，30 个通道的放电率和方向调谐大幅改变，排序单元的跨天匹配率随天数骤降，fits 出来的余弦调谐参数（基线、调制深度、preferred direction）都在漂移。在这片流沙之上，对齐后的 M1 latent dynamics 却几乎不动：猴 CL 的跨天 normalized similarity 达 0.93 ± 0.03，几乎贴住同天上限，而不做对齐只有 0.38 ± 0.14。四个 M1 植入（三只猴：C 的两个半球加 J、M）结论一致，时间跨度最长 2 年，对 6–12 维的流形维度选择和人工排序的单单元数据都稳健。功能检验：用第一天训练的、基于对齐 latent dynamics 的速度解码器，在几百天后的数据上预测手速度，几乎达到同天解码器的水平；直接用神经活动训练的固定解码器则随天数明显衰退。
控制分析堵住了两条退路。其一，对真实 latent dynamics 施加非线性变换（逐 trial 乘一个周期的余弦函数）再投回神经空间，得到的 surrogate 群体保留了流形内的目标聚类和单单元统计，但 CCA 对齐和跨天解码都大幅下降——线性对齐的成功确实要求动力学本身线性稳定，CCA 不是万能橡皮擦；TME surrogate 的结果相同。其二，给每天的数据分别拟合速度依赖的余弦调谐曲线，再把当天的运动学喂进这些曲线生成模拟群体：模拟数据的跨天 CC 明显低于真实数据——稳定的单神经元调谐不足以产生观测到的稳定性。
PMd 和 S1 把结论推广开去。规划期：三只猴的 PMd latent dynamics 在周至月尺度上稳定到与同天几乎不可区分；目标分类器同天 73% 正确，跨天用对齐 latent dynamics 仍有 54%，直接用神经活动的跨天分类器掉到 23%。反馈期：两只猴的 S1 latent dynamics 稳定约 45 天，对齐解码器同样接近同天水平。三个脑区、三种功能角色，结论一致。
逐图解读
来源：原文 Fig. 1，PDF 第 2 页。
图 1 · 假设与方法原理图。 (a) 行为天天一样，记录到的神经元天天在换；(b) 单神经元活动是各 neural modes 的 latent dynamics 的加权组合；(c) 真实流形嵌在包含所有任务相关神经元的 D 维空间里；(d, e) 每天只能从采样的几个神经元得到一个经验流形和经验 latent dynamics——注意 (d) 与 (e) 是不同天的经验空间，直接比较没有意义；(f) 核心预言：若真实动力学稳定，跨天的经验 dynamics 之间只差一个线性变换，"align"即可复原。这张图是全文方法论的钥匙：一切分析的合法性都建立在"两次线性投影"这个前提上，后面所有的控制分析都是在捍卫它。
来源：原文 Fig. 2，PDF 第 3 页。
图 2 · 任务与行为的一致性。 (a) 操纵杆中心出任务示意，标注了各脑区的分析时间窗（PMd 取运动前的准备期，M1/S1 取围绕运动执行的窗口）；(b) 猴 CR 相隔 731 天的三天手轨迹（左）与够向右上目标的单 trial 速度曲线（右），几乎不变；(c) 猴 CR 所有天数对的方向匹配单 trial 速度相关对间隔天数作图，几乎不随天数下降；(d) 七套植入各自的跨天速度相关分布（n 从 15 到 630 不等），平均都超过 0.77。这张图是全文的地基：后面所有关于动力学稳定性的论断都以"行为本身稳定"为前提，这里先给出行为稳定性的实测依据。
来源：原文 Fig. 3，PDF 第 4 页。
图 3 · 神经记录在变，latent dynamics 在变——直到对齐。 (a) 九个阵列的植入位置；(b) 猴 CL 两个记录通道第 27 天与第 43 天的 multiunit 波形，已明显不同；(c) 同两天 30 个通道按八个方向排列的平均放电率：幅度和空间调谐都在大变，而手速度（最下）未见明显变化；(d, e) 未对齐的两天 latent 轨迹（前三个 modes），对应 modes 间的相关只有 0.49、-0.47、-0.03；(f–h) 经 CCA 矩阵对齐后，相关升到 0.85、0.82、0.62，两天轨迹的形状肉眼可见地贴合。这张图是"问题"与"解法"的对照图：上半部分陈述困难，下半部分展示 CCA 对齐后的相似性；这一离线对齐不等于无需校准的闭环控制。
来源：原文 Fig. 4，PDF 第 5 页。
图 4 · M1 latent dynamics 的跨天稳定性。 (a–d) 四个 M1 植入（猴 CL、CR、J、M），每天对的 aligned CC（红）、unaligned 相关（橙）与同天上限（灰）对间隔天数作图：红线几乎平贴灰线，橙线明显更低，从几十天到 700 多天几乎不衰减；(e) normalized similarity 汇总：对齐后接近 1（如猴 CL 为 0.93 ± 0.03），不对齐仅 0.38 ± 0.14，差异 P<0.001。读这张图最该盯的是斜率：如果稳定性随时间缓慢流失，红线应该随间隔天数下垂——实际上没有，700 天和 16 天几乎一个水平。
来源：原文 Fig. 5，PDF 第 6 页。
图 5 · 基于对齐 latent dynamics 的解码器跨天不掉线。 (a) 三种解码器示意：同天用神经活动训练测试、跨天用神经活动、跨天用对齐 latent dynamics；(b) 猴 CL 相隔 16 天的两次记录的手速度预测示例：对齐解码器（蓝）几乎达到同天解码器（灰）的水平，直接用神经活动的跨天解码器（绿）明显跑偏；(c–f) 四个 M1 植入的全天数对预测精度，蓝线始终贴住灰线；(g) normalized predictive accuracy 汇总：对齐解码器接近 1，基于神经活动的解码器显著更低（P<0.001）。这张图把稳定性翻译成 BCI 最关心的语言——离线结果支持经跨日对齐维持解码性能；真正长期闭环使用还需验证校准需求与稳定性。
来源：原文 Fig. 6，PDF 第 7 页。
图 6 · 控制分析：稳定性不是调谐或非线性的副产品。 (a) 构造 surrogate 的流程：对真实 latent dynamics 施加非线性变换再投回神经空间；(b) surrogate 群体与真实群体一样保有流形内的目标聚类，单单元统计也相似；(c, d) 但 surrogate 与真实数据的跨天 CC 和解码精度都大幅下降——非线性变换破坏了可对齐性；(e, f) 另一个方向的控制：给每天的数据拟合速度依赖的余弦调谐曲线，把当天运动学喂进曲线生成模拟群体（示例放电率见 f）；(g, h) 模拟数据的跨天 CC 显著低于真实数据，normalized similarity 差距悬殊（P<0.001）。这张图回应的是最要命的质疑——"CCA 是不是太强了、什么都对得齐"——答案是非线性替代品对不齐，纯调谐也对不齐。
来源：原文 Fig. 7，PDF 第 8 页。
图 7 · PMd：运动规划期的 latent dynamics 同样稳定。 (a) 用运动前准备期活动预测目标方向的分类器示意；(b) 猴 CL 的混淆矩阵：同天分类器 73% 正确，跨天用对齐 latent dynamics 的分类器仍有 54%（机会水平 12.5%），跨天直接用神经活动只剩 23%；(c) 示例PMd记录的跨天相关：对齐（红）贴住同天上限（灰），不对齐（橙）明显更低；(d) 三只猴的 normalized similarity 都接近 1；(e, f) 分类精度随间隔天数与汇总。值得细品的是这里分析的是运动发生之前的准备活动——分析主要覆盖准备阶段，但窗口延伸到运动开始后60 ms，这给"稳定性不是运动输出的简单回声"额外加了一层证据。
来源：原文 Fig. 8，PDF 第 9 页。
图 8 · S1：体感反馈期的 latent dynamics 也稳定。 (a) 从 S1 活动解码肢体状态的示意；(b) 猴 P 的跨天相关：对齐后接近同天上限；(c) normalized similarity 汇总（两只猴，最长约 45 天）；(d) normalized predictive accuracy：对齐解码器接近 1，直接用神经活动的解码器衰退明显。S1 的活动主要由传入输入驱动而非输出去肌肉，它的稳定性说明"稳定 latent dynamics"不是运动输出端的专利，而可能是皮层处理信息的普遍性质。
讨论与解读边界
长期记录的变化既可能来自神经活动本身，也可能来自采样单元变化。本文通过低维表示与CCA对齐，从变化的记录中提取可跨日匹配的结构；替代数据和调谐模型对照说明，这种成功并不是任何数据都能被线性对齐的必然结果。
对齐使用目标和时间对应的行为条件，且需要新日期的数据；这不是无需校准的在线BCI示范。稳定结论限于熟练且相似的行为，以及可观察的低维结构，不能断言单神经元在生物学上不稳定或整个回路两年不变。各脑区时间跨度不同，不能将最长两年都套到PMd和S1。
思考问题
- 对齐时不提供目标对应关系，并仅使用少量无标签新日数据，解码性能能保留多少？
- 当动作速度、负载或策略发生变化时，长期稳定成分与真正的任务变化如何区分？