编辑 | 萝卜皮
使用多个电极纪录神经元活动已被广泛用于了解大脑的功效机制。增加电极数量使科学家能够解码更多种类的功效。然而，由于硬件资源有限和不可避免的热组织损伤，处理大量多通道电生理数据仍然具有挑战性。
在这里，韩国大邱庆北科学技巧院（DGIST，Daegu Gyeongbuk Institute of Science & Technology）的钻研团队提出了鉴于机器学习（ML）的高频神经元尖峰从二次采样的低频旗号重修。
受到图像处理中高频回复和超分辨率之间等效性的启发，钻研职员将 Transformer ML 模型利用于从体外培养物和体内雄性小鼠大脑中纪录的神经元数据。即使使用 x8 下采样数据集，该团队的模型也能合理估计尖峰活动的高频信息，包括尖峰时间、波形和网络连接。
该钻研以「Machine learning-based high-frequency neuronal spike reconstruction from low-frequency and low-sampling-rate recordings」为题，于 2024 年 1 月 20 日发布在《Nature Communications》。
脑机接口
神经元活动的多通道纪录是脑机接口（BMI）的关键，可以解码运动意图或大脑功效连接。由多个植入电极纪录的细胞外旗号，例如尖峰和局部场电位 (LFP)，已用于 BMI 技巧。神经纪录硬件的最新进展集中在增加同时纪录电极的数量，以获得更丰富的信息以进行详细的网络分析。
纪录的电极数据越多，科学家可以分类的功效就越广泛，从而进行精确的关联操作。同时，为了兑现纪录系统的高效长期植入，兑现不受限制的无线数据传输也做出了许多努力。通过这些努力，无线设备已被证明可以在植入的灵长类动物中显示实时操作。
处理大量神经数据有局限性
尽管取得了这些进步，但当前的 BMI 技巧在处理大量神经数据方面仍然存在局限性。大多数BMI系统采用单单元尖峰活动来增强解码性能；然而，为了捕获通常在毫秒时间尺度内发生的单个尖峰，纪录仪器需要至少 10kHz 或更高的采样率。
此外，更多的电极需要更大的存储内存，并导致纪录和无线通信中更高的功耗，导致显著的散热。在植入式脑机接口中应避免这种加热，因为它会对周围的生物组织造成热损伤，特别是对于将多路电子器件集成到探针柄中的鉴于 CMOS 的有源神经探针或完全植入的无线神经传感器。
为了通过减少纪录数据量来缓解这些限制，采用了几种降低数据采样的技巧，已经提出了诸如自适应采样、压缩感知、鉴于尖峰频带功率的解码、降级旗号质量、片上压缩和片上尖峰检测等技巧。虽然这些方法在显著减少数据方面显示出有希望的结果，但它们在高级 BMI 中的利用仍然有限。神经元旗号的更宽带宽，不仅包括高频带尖峰，还包括低频带旗号（例如 LFP），与 BMI 所必需的大脑功效密切相关。
迫切需要一种新算法
近期科学家提出了单独使用 LFP 或与尖峰相结合的技巧，用于弥补鉴于尖峰的 BMI 的主要局限性：长期测量一致的困难以及高采样纪录的需要。然而，现有的数据缩减算法旨在主要关注尖峰活动，因此难以利用于低频旗号并提供有限的信息。
此外，现有方法通常需要定制设计的纪录硬件，在数据传输之前进行片上旗号预处理，例如用于兑现单独算法的编码器或用于通过识别阈值交叉事件或表征尖峰波形来检测尖峰以及用于将尖峰转换为二进制形式的附加电路。这也限制了最先进的 BMI 技巧的普遍适用性。因此，迫切需要开发一种普遍适用、不受旗号类型限制且与通用纪录硬件兼容的神经数据缩减算法。
新的 ML 框架
在最新的钻研中，DGIST 的钻研职员提出了一个机器学习（ML）框架，用于从二次采样的低频旗号中重修高频神经元尖峰。
图示：使用机器学习模型从下采样的低频数据集中重修高频神经元尖峰。（来源：论文）
该方法可以通过低通滤波和对猎取的神经元旗号进行简单的下采样来减少神经纪录数据量。将这种下采样低通滤波 (LPF) 数据输入到 ML 模型并结合旗号插值可以回复具有高时间分辨率的高频神经元旗号。它能够减少纪录数据，同时获得宽带宽的神经元旗号。
钻研职员假设为图像超分辨率任务引入的 ML 模型（通过回复高频细节从低分辨率图像中回复高质量图像）可以适合尖峰回复问题。为了测试这个假设，团队利用 Transformer 构建了一个名为 Spk-Recon 的尖峰重修机器学习模型，该模型使用二次采样的低频神经纪录数据作为输入。
钻研职员将 Spk-Recon 模型利用于体外海马神经元和体内小鼠大脑的多通道神经纪录数据集。通过传统的定时和波形定量尖峰分析，钻研职员证明 Spk-Recon 模型可以从显著下采样的低频神经元旗号中重修准确的尖峰，尖峰出现的命中率接近 0.8−0.9，尖峰排序的聚类精度超过 96%。
图示：Spk-Recon 模型架构和训练示意图。（来源：论文）
该团队鉴于 Spk-Recon 的回复可以同时猎取从 LFP 到尖峰的广泛频率范围内的丰富神经元旗号：通过以低采样率直接纪录的低频段 LFP 和通过鉴于 ML 的重修来猎取高频段尖峰。以前的数据缩减技巧工作有限地集中于仅猎取尖峰的高频带。尽管已经有一些钻研使用线性或非线性模型来估计低频 LFP 的尖峰，但它们仍然处于仅推断放电率或获得尖峰时序的水平，而不是整个尖峰波形特征。
由于能够同时猎取 LFP 和尖峰，该方法可以提供更丰富的神经元信息，有助于鉴于尖峰触发的 LFP 平均分析 LPF-尖峰相关性或大脑功效连接。特别是，甚至能够以尖峰排序所需的高时间分辨率回复波形特征，对于开发使用 LFP 和单单元尖峰的高级 BMI 非常有用。所有这些都可以通过传统的神经纪录硬件以低纪录数据量来兑现。
从硬件利用的角度来看，该团队减少神经元数据量的方法具有很高的通用性。钻研职员通过典型的神经纪录硬件以统一较低的采样率猎取低频段旗号，并通过鉴于机器学习的软件回复高采样尖峰。也就是说，利用他们的模型的数据量减少的旗号采集可以在各种商业或定制的多通道神经纪录系统中兑现，而无需额外的硬件修改。
另外，考虑到最近增加纪录电极数量的钻研，它将允许在相同的硬件资源内从更多电极收集神经元旗号或收集更长的持续时间。钻研职员期望它为开发下一代脑机接口开辟新的方向，能够更深入地分析和控制大脑功效，同时减少硬件资源和最小化热组织损伤。
图示：体外数据集的旗号重修。（来源：论文）
最后，Spk-Recon 可以为各种类型的神经纪录之间的旗号估计提供通用框架。该框架可以从较低频段旗号回复高频信息。这种功效可利用于通过不同纪录方式测量的神经元活动，如皮质内纪录、皮质电图描记术 (ECoG) 和脑电图描记术 (EEG)。例如，从 ECoG 到尖峰或从 EEG 到 ECoG 的低频到高频旗号回复是可能的。
此外，通过利用能够兑现全网络细胞内纪录的最新MEA技巧，还可以兑现从细胞外纪录重修细胞内神经元旗号，例如动作电位或阈下突触旗号。通过开发鉴于多模式或多尺度旗号且物理侵入性较小的新系统，可以兑现更高的脑机接口性能。
论文链接：https://www.nature.com/articles/s41467-024-44794-2