我们使用深度学习方法来破译神经活动的能力可能会从模型大小和数据集方面受益于更大的规模。然而,将许多神经记录的整合到一个统一模型中是具有挑战性的,因为每个记录都包含来自不同单个动物的不同神经元的活性。在本文中,我们介绍了一个培训框架和建筑,旨在模拟各种大规模神经记录的神经活动的人群动态。我们的方法首先将数据集中的个体尖峰构建,以构建神经事件的有效表示,从而捕获神经活动的精细时间结构。然后,我们采用跨注意事项和感知骨干来进一步构建对神经人口活动的潜在令牌化。利用此架构和培训框架,我们构建了一个大规模的多会模型,该模型在来自七个非人类灵长类动物的大型数据集上训练,涵盖了超过158个不同的录音,从27,373多个神经单位和100多个小时的记录中进行了录制。在许多不同的任务中,我们证明了我们验证的模型可以迅速适应具有未指定的神经元对应的新的,看不见的会话,从而可以使用最小的标签来射击。这项工作提出了一种强大的新方法,用于构建深度学习工具,以分析神经数据并为大规模进行培训的清晰途径。
主要关键词