科学家从小鼠脑活动重建视频

解码视觉脑

伦敦大学学院的研究人员通过仅使用脑活动记录来重建小鼠观看的视频片段，在神经解码方面取得了重大进展。这项工作代表了向理解哺乳动物大脑如何处理和编码视觉信息迈进的重大一步，对脑机接口和神经疗法具有影响意义。

该团队使用先进的钙成像技术同时监测小鼠视觉皮层数千个神经元的活动，同时小鼠观看短视频片段。通过训练机器学习模型了解神经放电模式与视觉刺激之间的关系，研究人员能够仅从脑数据生成原始视频的近似重建。

重建过程涉及两个阶段。首先，研究人员构建了一个编码模型，预测单个神经元如何响应不同的视觉特征，如边缘、运动、对比度和空间模式。该模型捕捉了记录的视觉皮层中每个神经元的调谐属性。

在第二阶段，团队反转了这个模型——输入记录的神经活动，反向工作以估计什么视觉输入最可能产生那些模式。生成的重建捕捉了原始片段的整体结构、运动和亮度模式，尽管细节仍然模糊。物体和运动在粗水平上是可以识别的，表明大量视觉信息保留在群体水平的神经活动中。

虽然之前的研究已经使用功能性MRI从人类脑活动重建图像甚至视频，小鼠模型提供了独特的优势。钙成像提供了fMRI无法匹配的单神经元分辨率，允许研究人员研究单个细胞和神经回路对视觉处理的精确贡献。

小鼠还允许进行受控实验条件和人类研究中不可用的遗传工具。研究人员可以精确地操纵要记录的神经元，验证其在多个动物中的发现，并将其结果与广泛的现有小鼠视觉神经科学文献相关联。

这些发现与旨在为失明或视力障碍患者恢复视力的脑机接口开发直接相关。理解视觉信息如何在神经水平上编码是构建能够解码视觉意图或向大脑传递人工视觉信号的假体系统的先决条件。

当前的视觉假体，如视网膜植入物，仅提供分辨率有限的初级视觉。通过证明可以从皮层活动中提取丰富的视觉信息，UCL的工作表明，未来的皮层假体可能能够提供更高质量的视觉体验。

重建的成功在很大程度上取决于现代深度学习架构。团队采用了在大规模视觉数据集上训练的卷积神经网络，作为重建过程的先验，本质上教导算法自然视频通常是什么样子。这种先验知识帮助填补了神经数据单独无法解决的细节。

该方法建立在结合神经科学和AI的日益增长的工作体系之上。大脑的计算模型越来越多地从AI借用技术，而AI研究人员从生物神经回路中获取灵感。这种交叉传播加速了两个领域的进步。

随着神经解码技术的改进，关于心理隐私和知情同意的问题变得更加紧迫。虽然当前的技术需要侵入性脑记录和受控的实验室条件，但该技术的轨迹引发了关于如何保护和规范脑数据的重要讨论。

UCL团队计划将他们的工作扩展到更复杂的视觉刺激，包括自然场景和社交互动，并研究在学习和记忆形成期间视觉处理如何变化。他们还旨在通过从更大数量的神经元中记录来改进重建质量，这些神经元跨越参与视觉处理的多个脑区域。

这篇文章基于有趣的工程报道。阅读原始文章。