机构名称：
¥ 2.0
初级运动皮层 (M1) 的潜在动力学模型揭示了运动控制背后的基本神经计算；然而，这种模型往往忽略了感觉反馈的影响，感觉反馈可以不断更新皮层动力学并纠正外部扰动。这表明迫切需要对感觉反馈和内在动力学之间的相互作用进行建模。这种模型还有利于实时解码神经活动的脑机接口 (BCI) 的设计，其中用户学习和熟练控制都需要反馈。在这里，我们研究了皮层动力学的灵活反馈调节，并展示了它对 BCI 任务性能和短期学习的影响。通过在简单的 2D 到达任务（类似于 BCI 光标控制）上使用实时感觉反馈训练循环网络模型，我们展示了如何将以前报告的 M1 活动模式重新解释为由反馈驱动的动力学引起的。接下来，通过在 M1 上游加入自适应控制器，我们做出了一个可测试的预测：除了 M1 内循环连接的可塑性之外，M1 输入的可塑性（包括感官反馈的重新映射）还促进了新 BCI 解码器的短期学习。这种输入驱动的动态结构还决定了适应速度和学习成果，并解释了学习变异性的连续形式。因此，我们的工作强调了对运动控制的输入相关潜在动力学进行建模的必要性，并阐明了学习限制是如何从神经活动的统计特征和底层动态结构中产生的。
循环动力学的反馈控制限制了运动适应过程中的学习时间尺度
主要关键词
相关文件推荐
