人工智能预测行为

这项研究由特隆赫姆的卡弗里系统神经科学研究所(Kavli Institute for Systems Neuroscience)和莱比锡的马克斯·普朗克人类认知和脑科学研究所(Max Planck Institute for Human Cognitive and Brain Sciences)共同领导，由维康基金会(Wellcome)和欧洲研究委员会(European Research Council)资助深度学习该算法能够解码包括人类在内的不同物种的不同大脑区域的许多不同行为和刺激。

首席研究员马库斯·弗雷(卡弗里系统研究所)神经科学)说，“神经科学家已经能够从大脑中记录越来越多的数据集，但理解数据中包含的信息——阅读神经代码——仍然是一个困难的问题。在大多数情况下，我们不知道正在传输什么消息。“我们希望开发一种自动的方法来分析许多不同类型的原始神经数据，而不需要手工破译它们。”

他们测试了这个名为“深度洞察”(DeepInsight)的网络，利用探索开放竞技场的老鼠发出的神经信号，发现它能够精确预测动物的位置、头部方向和奔跑速度。即使不进行人工处理，其结果也比传统分析方法更为准确。

资深作家卡斯威尔·巴里教授(UCL细胞与发育生物学)说:“现有的方法在神经记录中丢失了很多潜在的信息，因为我们只能解码我们已经了解的元素。我们的网络能够访问更多的神经代码，这样做可以教我们阅读一些其他的元素。

“我们能够比以前更准确地解码神经数据，但真正的进步是，该网络不受现有知识的限制。”

研究小组发现，他们的模型能够识别神经编码的新方面，他们通过检测之前未被识别的头部方向表征来展示这一点，这是由海马体中一个区域的中间神经元编码的，这是第一个显示出功能缺陷的人阿尔茨海默病．

此外，他们还表明，同一网络能够通过不同类型的大脑区域记录来预测行为，也可以用来推断人类参与者的手部运动，这是他们通过测试预先存在的人类大脑活动数据集来确定的。

合著者克里斯蒂安·多勒教授(卡弗里系统神经科学研究所和马克斯·普朗克人类认知和脑科学研究所)说:“这种方法可以让我们在未来更准确地预测人类更高层次的认知过程，比如推理和解决问题。”

Markus Frey补充说:“我们的框架使研究人员能够对他们未经处理的神经数据进行快速的自动化分析，节省了时间，因为使用更传统的方法，这些时间可以只花在最有希望的假设上。”