Neuron | 哥大突破傳統限制，跨場次通用神經解碼，精度創新高

基本信息

Title:Exploiting correlations across trials and behavioral sessions to improve neural decoding

發表時間：2025.11.26

Journal:Neuron

影響因子：15.0

研究背景

在腦科學的研究中，神經解碼就像是在翻譯大腦的“加密電報”，試圖通過神經元的電活動預測動物的行為。然而，傳統的解碼器往往像是一個只有“瞬間記憶”的翻譯官：它們通常只關注單個試次（trial）或單次實驗（session）內的數據，卻忽略了大腦活動的連貫性。

事實上，大腦并不是一塊每次實驗都重新擦除的白板。動物在執行任務時，其神經活動在不同實驗間具有高度的相似性，且當前的行為深受過往經驗的影響。以往的方法要么難以處理不同實驗中記錄到的不同神經元，要么依賴于計算昂貴且難以解釋的深度學習“黑箱”模型。因此，科學家們急需一種既能利用大規模跨實驗數據、又具有高度可解釋性的輕量化解碼新方案。

研究總結

近日，哥倫比亞大學的 Yizi Zhang 與 Liam Paninski 團隊在Neuron上發表了題為“Exploiting correlations across trials and behavioral sessions to improve neural decoding”的研究論文。該研究利用國際腦實驗室（IBL）涵蓋 433個實驗、270個腦區 的海量數據，開發了兩套互補的數學模型來彌補現有技術的短板

跨實驗降維回歸模型 (RRR)： 就像為不同的實驗找出了共同的“節奏”，該模型捕捉了不同實驗間共享的時間特征，同時保留了每個神經元的獨特性。

多實驗狀態空間模型 (SSM)： 該模型通過分析行為在試次間的相關性，推斷出動物內在的心理狀態（如動機或偏好），從而進一步修正解碼結果。

核心發現與意義：

性能躍升：在預測小鼠的選擇、先驗概率及運動細節等行為上，新模型顯著優于傳統線性模型和復雜的深度學習方法。

極高的可解釋性：這種方法不僅能精準預測行為，還能通過其內在結構直接識別出哪些神經元對決策最關鍵，并繪制出全腦范圍內行為相關的“時間尺度圖”。

廣泛適用：該模型不僅適用于小鼠，在靈長類動物的數據上也表現出色，證明了其在不同物種和硬件平臺上的通用性。

這一研究為我們提供了一個比深度學習更高效、更透明的工具，讓我們能夠從全腦水平上洞察神經活動與行為之間跨越時間和個體的內在聯系，也為未來的“腦機接口”和神經科學基礎研究提供了更強有力的技術支撐。

核心圖片

Figure 1. Schematic illustration of neural and behavioral data-sharing models. 神經與行為數據共享模型的示意圖 這張圖建立了文章的理論框架，首先展示了小鼠在視覺刺激任務中，不同實驗場次（Session）間的神經活動具有高度的一致性。基于此，作者提出了兩種互補模型：神經網絡降維回歸（RRR）通過共享跨場次的時間基向量（V）來捕捉共通的神經表征；而行為狀態空間模型（LG-AR1 和 BMM-HMM）則利用試次（Trial）間的相關性，通過推斷潛在的心理狀態或先驗信念來修正單場次的解碼結果。

Figure 2. The RRR achieves strong decoding performance by learning behaviorally relevant neural variations through multi-session learning. RRR 模型學習行為相關神經變異的性能評估 本圖重點展示了 RRR 模型在降維方面的優越性，通過對比發現 RRR 投影出的神經子空間比傳統的 PCA 能更清晰地分離不同的行為類別。實驗結果進一步證實，多場次學習（RRR (M)）在聚類指標（ARI）和解碼準確率上均顯著優于單場次模型，且在解碼先驗信念、輪速及須部運動能量等連續行為變量時，比傳統的嶺回歸更為精確。

Figure 3. Qualitative evaluation of the RRR for decoding wheel speed and motion energy in a single IBL session. RRR 解碼輪速與運動能量的定性評價 該圖通過具體個案深入展示了 RRR 模型對連續行為數據的重建能力，模型不僅能準確還原不同實驗條件下（如不同刺激概率塊、不同獎勵結果）的平均行為軌跡，還能捕捉到單個試次中行為的細微偏差。殘差分析顯示，模型在解碼須部運動時系統誤差極小，但在極高輪速下會出現一定的低估現象。

Figure 4. The behavioral data-sharing model improves single-trial decoding by inferring latent behavioral states from trial-to-trial correlations within individual sessions and sharing behavioral information across sessions. 行為數據共享模型推斷潛在行為動態 此圖展示了如何利用試次間的相關性來優化解碼。BMM-HMM 模型能從小鼠嘈雜的原始解碼輸出中，準確推斷出其內在的視覺選擇狀態（左偏、右偏或隨機），而 LG-AR1 則有效提升了對連續變化的先驗概率的追蹤精度。更重要的是，通過引入多場次的先驗分布（多場次學習），模型在參數估計上比單場次模型更接近“理想觀察者（Oracle）”的水平。

Figure 5. Quantitative comparison of the proposed neural and behavioral data-sharing models against single- and multi-session baselines. 各模型在不同腦區的解碼性能基準測試 這是論文的關鍵定量比較圖，展示了模型在 PO、LP、DG、CA1 和 VISa 五個腦區預測多種行為的表現。結果顯示，結合了神經共享（RRR）與行為共享（SSM）的“組合解碼器”在絕大多數情況下表現最強，且基于結構化設計的 RRR (M) 在處理大規模數據時，性能普遍優于全秩線性模型，甚至在某些任務中超越了深度學習模型 MLP。

Figure 6. RRRs identify important neurons for decoding choice in brain regions including PO, LP, DG, CA1, and VISa. 利用 RRR 識別關鍵解碼神經元 該圖利用 RRR 模型的可解釋性，通過神經權重基（U）量化了每個神經元對解碼的貢獻，并進行了“神經元修剪”實驗。結果表明，只需保留一小部分具有選擇性發放模式的關鍵神經元即可維持較高的解碼準確率，而隨機移除或保留不重要的神經元則會導致性能迅速下降，這證明了模型定位任務相關神經元的能力。

Figure 7. Mapping behaviorally relevant timescales and decoding quality improvement across the brain. 全腦范圍內的行為相關時間尺度與解碼提升地圖 作者將多區域 RRR 模型應用于 270 個腦區，繪制出了大腦在處理選擇和先驗信息時的激活時間尺度圖。地圖顯示，前腦和中腦區域的激活持續時間通常長于后腦，并且相比于傳統的正則化線性解碼器，新模型在全腦絕大多數腦區都顯著提升了信息解碼的質量，修正了以往可能對某些腦區功能的低估。

Figure 8. Generalization across data structures, species, and behavior tasks. 模型在不同數據結構、物種及任務中的泛化性 最后一張圖通過三類數據集驗證了模型的普適性：在無試次結構的自發行為數據中，RRR (M) 依然能穩定追蹤運動參數；在 Allen 研究院的視覺編碼數據中，模型成功解碼了不同定向的視覺刺激及跑動速度；在靈長類恒河猴的隨機目標觸碰任務中，該模型解碼手指速度的表現同樣優于傳統的線性模型。