LFAD

使用 AutoLFADS 识别精确伸手的初始阶段和纠正阶段之间的不同神经特征

许多初始动作需要后续的矫正动作，但运动皮层如何转变以进行矫正以及编码与初始动作有多相似尚不清楚。在我们的研究中，我们探索了大脑的运动皮层在精确伸手任务期间如何发出初始动作和矫正动作的信号。我们在多个会话中记录了两只雄性恒河猴的大量神经元，以检查初始动作和后续矫正动作期间的神经环率。应用基于自动编码器的深度学习模型 AutoLFADS 更清楚地了解各个会话中各个矫正动作的神经元活动。伸手速度的解码从初始到矫正子动作的推广效果很差。与初始动作不同，使用传统线性方法在单个全局神经空间中预测矫正动作的速度具有挑战性。我们在神经空间中确定了初始伸手之后矫正子动作起源的几个位置，这意味着环率与初始动作之前的基线不同。为了改进矫正动作解码，我们证明了状态依赖解码器结合了矫正开始时的群体振幅率，从而提高了性能，突出了矫正动作的多种神经特征。总之，我们展示了初始和矫正子动作之间的神经差异，以及神经活动如何编码特定的速度和位置组合。这些发现与神经与运动特征的相关性是全局和独立的假设不一致，强调传统方法通常无法描述在线矫正动作的这些不同神经过程。