NeuroPB、事前学習済み行動表現で神経デコードを拡張 ロボット軌道でも同等性能

何が起きたか

arXivに公開された論文で、神経デコードを拡張するフレームワーク「NeuroPB」が提案された。NeuroPBは、大規模な運動行動データでモーターエンコーダーを事前学習し、限られたペアの神経・行動記録を用いて神経活動をその行動表現空間に整列させる。その後、神経エンコーダーと軽量なモーターデコーダーを最適化し、整列された神経表現から連続的な運動を再構成する。複数のマカク運動データセットにおいて、行動事前学習により軌跡デコードが改善され、センターアウトタスクでR^2が11%、ランダムターゲットタスクで8%向上した。ロボット軌道での事前学習はマカク軌道での事前学習と同等の性能を示し、生物と人工モデル間で転移可能な運動学的構造が共有されていることが示された。また、神経データ量が固定の場合、ロボット事前学習データの規模と多様性が増すほどデコード性能が向上した。事前学習は記録セッション、被験者、運動タスクをまたぐ汎化も向上させ、10%のキャリブレーションでスクラッチからの学習に匹敵した。

Key Facts

なぜ重要か

神経デコードはBCIの実用化に不可欠だが、神経記録の規模と不均一性に制約される。NeuroPBは、より入手しやすい大規模な行動データを活用することで、限られた神経データでも高性能でキャリブレーション効率の良いBCIを実現する可能性を示す。ロボット軌道での事前学習が有効であることは、シミュレーションやロボットからの転移学習が現実的な神経データの不足を補う有望な経路であることを示唆する。