脉冲神经网络为清醒小鼠触须刺激分类提供高精度、高效率模型

《Frontiers in Neuroscience》:Spiking neural networks provide accurate and time-efficient models for whisker stimulus classification of the awake mouse

【字体: 大 中 小 】 时间:2026年04月01日 来源:Frontiers in Neuroscience 3.2

编辑推荐:

  为了开发适用于植入式神经修复设备的低功耗、高性能脑信号解码方法,研究人员在清醒小鼠触须刺激检测任务中,对包括脉冲神经网络在内的多种轻量级机器学习算法进行了系统性基准测试。研究发现,液体状态机在准确率、运行效率及跨个体稳健性方面表现突出,为实现可部署的脑机接口提供了有力工具。

  
想象一下,未来那些因脊髓损伤、中风或神经退行性疾病而失去感觉或运动能力的患者,或许能通过一个植入大脑的微型芯片,重新感知世界或操控外部设备。这类被称为脑机接口的技术,其核心挑战之一在于如何用极低的功耗,实时、准确地解读大脑产生的复杂电信号。以往的研究在解码大脑信号方面取得了不少进展,但大多基于麻醉状态下的动物实验数据。然而,麻醉会显著改变神经活动模式,而在清醒、执行任务的动物中,大脑活动存在更高的自发性和变异性,这为信号解码带来了更大的困难。此外,一个理想的、可临床应用的解码模型,不仅需要在单个个体上表现良好,还应能推广到不同的个体,并且能够在资源有限的植入式硬件上高效运行。这些悬而未决的问题,促使研究人员将目光投向了更适合硬件实现的脉冲神经网络等轻量级算法,并在更接近真实场景的清醒动物模型上进行验证。
为此,一项发表在《Frontiers in Neuroscience》上的研究,利用在四只执行“去/不去”触须刺激检测任务的清醒小鼠桶状皮层中记录的多层局部场电位数据,开展了一项系统的机器学习算法基准测试。研究旨在评估多种轻量级分类器在刺激检测和反应预测任务上的表现,特别关注了模型在跨个体间的泛化能力、运行效率以及不同皮层层信号的信息价值。
为开展研究,作者运用了几个关键技术方法:
  1. 1.
    在体电生理记录与行为学同步:研究使用头固定的水限制小鼠,在其执行单触须刺激检测任务时,通过植入桶状皮层的64通道硅探针,同步记录行为反应和多层局部场电位信号。
  2. 2.
    局部场电位特征提取:研究采用了两种特征:原始低通滤波后的LFP时域信号和对其进行快速傅里叶变换得到的频域特征,分别用于构建分类模型的输入。
  3. 3.
    机器学习算法基准测试框架:研究设计了一套严谨的验证流程,对比了六种轻量级分类算法,包括决策树、随机森林、XGBoost、广义线性模型、时间序列分类器ROCKET以及脉冲神经网络的实现——液体状态机。评估重点考察了模型准确率、训练与推断时间,并确保训练集和测试集的数据来自不同的小鼠,以验证模型的跨个体泛化能力。
研究结果
数据集
研究数据来自四只执行任务的小鼠,共19个实验会话。通过电流源密度分析确定了桶状皮层的各层,并选取了每层中心的电极信号用于分析。行为学结果表明,小鼠的反应率随刺激强度增加而单调上升。
机器学习分类器基准的设置
研究定义了多种分类场景,结合了两种分类任务、三种时间窗口、两种特征类型以及不同的皮层层信号输入。所有评估均采用跨个体验证和自助采样,以确保结果的稳健性。
机器学习分类器基准
整体来看,刺激检测任务的准确率普遍高于反应预测任务。在刺激检测中,使用刺激期间原始LFP特征、并结合所有皮层层信号时,广义线性模型、ROCKET和液体状态机取得了最高的准确率。其中,第四层皮层提供的信息最为丰富。
对最准确算法的详细比较
进一步分析发现,液体状态机和广义线性模型是表现最佳的算法。尽管广义线性模型在使用所有层信号时达到了最高的中位数准确率,但液体状态机在仅使用第四层信号时,其准确率与前者无显著差异,且在运行时间上具有显著优势,无论是模型训练还是推断阶段都快于广义线性模型。此外,液体状态机在不同个体间表现出略好的稳健性。
针对不同刺激强度和使用更短peri-stimulus LFP信号的刺激检测
研究发现,液体状态机对高刺激强度的检测准确率更高。对于较高强度(≥60%)的刺激,仅需约35-40毫秒的peri-stimulus LFP信号即可维持高检测准确率。这为脑机接口应用的实时性提供了重要参考。
数据不平衡与模型校准
在应对类别不平衡数据时,广义线性模型本身已校准良好,而液体状态机则需要通过普拉特校准来提升其概率输出的校准性能。两者在接收者操作特征曲线下的面积等指标上均表现优异,显著优于随机猜测。
研究结论与讨论
本研究通过系统性基准测试,明确了液体状态机、广义线性模型和ROCKET是用于清醒小鼠桶状皮层触须刺激检测的最准确算法。其中,液体状态机凭借其最高的运行效率和与神经形态硬件的高度兼容性,成为面向植入式神经修复应用最具前景的选择。它不仅能在普通CPU上实现最快的训练和推断,其基于脉冲神经网络的特性更使其适合在低功耗的神经形态芯片上高效部署,甚至有望在植入设备上直接进行模型重训练以适应信号漂移。
研究证实,第四层皮层的LFP信号包含了最丰富的刺激相关信息,整合所有皮层层信号带来的准确率提升有限,却会显著增加计算负担,因此在实际应用中仅使用第四层信号是一个高效的选择。此外,约40毫秒的刺激后神经信号已足以支持高精度检测,这为闭环脑机接口的延迟设定了乐观的预期。
值得注意的是,研究发现反应预测模型可能实质上是在执行刺激检测,因为刺激存在与否与行为反应高度相关。然而,在刺激前的自发活动频谱特征中发现的微弱预测模式提示,桶状皮层的活动也可能与动物的注意状态相关。
尽管该研究基于高度受控的单触须刺激实验,但其证实了即使在清醒动物的复杂神经活动中,轻量级机器学习模型也能实现高效解码。模型在不同个体间表现出的良好稳健性,意味着预训练模型有可能迁移到新的个体。这些发现为开发下一代低功耗、高性能、可临床推广的脑机接口与脑-机-脑接口提供了重要的算法依据和实验证据,朝着实现能够恢复感觉或运动功能的神经修复体迈出了坚实的一步。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号