在这项研究中,研究人员利用了“深度学习”领域的进展。该研究的主要作者Chethan Pandarinath博士说,这种使用人工神经网络的计算方法可以让研究人员发现以前被忽视的复杂数据集的模式。
Pandarinath和同事制定了一种允许他们的人工神经网络模拟生物网络可能成为可能的方法。这样做,研究人员对生物网络正在做好的更好理解。最终,这些技术可以帮助瘫痪的人民肢体,或改善帕金森,乔治亚州科技和埃默里大学生物医学工程系的助理教授Pandarinath表示,改善帕金森的治疗。
对于脊髓损伤的人来说,新技术可以动力“脑机接口”,辨别大脑信号背后的意图,直接刺激某人的肌肉。“过去,脑机接口主要通过试图解码非常高级别的命令来解决,例如”我想将我的手臂移动到右侧或离开“,”Pandarinath说。“随着这些新的创新,我们认为我们实际上能够解码与控制肌肉相关的微妙信号,并使脑机接口成为一个人自己的四肢。”
网络行为“涌现”于个体神经元
之前关于神经元如何控制运动的研究表明,很难辨别单个神经元的角色,我们可能会认为这是在基本机器中。单个神经元的行为与手臂速度、运动距离或角度等变量无关。相反,整个神经网络的节律比任何单个神经元的活动都重要。
Pandarinath比较他的团队的鸟类学家的方法,研究鸟类的植绒行为。要了解集团如何一起举行,人们必须知道一只鸟如何应对邻居,以及整个羊群的动作。他说,植绒行为是从鸟类的相互作用中“紧急”。这种紧急行为与标准方法表征有挑战性,但正是人工神经网络功能的方式。
Pandarinath开始调查这种方法,称为LFAD(通过动态系统潜在因子分析),同时使用电气工程师Krishna Shenoy,Phd和Neurosurgeon Jaimie Henderson,MD,他在斯坦福大学共同指导神经假肢翻译实验室。研究人员分析了恒河猴和人类的数据,他们在电机皮质中植入电极。在一些实验中,猴子训练接受武器以遵循屏幕上的“迷宫”,并且研究人员通过仅基于从植入电极记录的信号“解码”猴子的臂运动轨迹的能力。使用他们的人工神经网络方法,研究人员能够精确地揭示在马达皮质中代表脑节律的微弱模式。他们还观察到人类患者的类似模式 - 由于运动神经元变性(肌萎缩侧面硬化),另一个具有脊髓损伤。
Pandarinath认为,除了运动皮层,这种新方法还可以用来分析与空间导航或决策有关的其他大脑区域的网络活动。
未来的临床应用计划包括将新技术与针对瘫痪患者的功能性肌肉电刺激相结合,以及改进用于帕金森氏症的深部脑刺激技术。此外,Pandarinath和他的同事已经开始使用这些技术来开始理解神经元的活动,这种活动的尺度与以前可能的有根本的不同。
来源:埃默里大学