摘要 大脑皮层如何处理信息？为了回答这个问题，人们付出了很多努力来创造新的和进一步开发现有的神经成像技术。因此，fMRI 设备的高空间分辨率是准确定位认知过程的关键。此外，电生理装置的时间分辨率和记录通道数量的增加为研究神经活动的确切时间打开了大门。然而，在大多数情况下，记录的信号是多次（刺激）重复的平均，这会抹去神经信号的精细结构。在这里，我们展示了一种无监督机器学习方法可用于从单次试验的电生理记录中提取有意义的信息。我们使用自动编码器网络来减少单个局部场电位 (LFP) 事件的维度，以创建可解释的不同神经活动模式集群。令人惊讶的是，某些 LFP 形状对应于不同记录通道中的延迟差异。因此，LFP 形状可用于确定大脑皮层中信息流的方向。此外，在聚类之后，我们解码了聚类中心，以逆向工程底层的原型 LFP 事件形状。为了评估我们的方法，我们将其应用于啮齿动物的神经细胞外记录和人类的颅内 EEG 记录。最后，我们发现自发活动期间的单通道 LFP 事件形状来自可能的刺激诱发事件形状的范围。迄今为止，这一发现仅在多通道群体编码中得到证实。