Neuron
Exploiting correlations across trials and behavioral sessions to improve neural decoding

小赛推荐：

该研究提出了一种跨实验和脑区的神经解码新方法，通过多会话模型捕捉行为与神经活动的共享结构，提高了传统解码器的性能。模型具备高效性和可解释性，适用于多种任务和物种，为神经解码领域提供了新的理论和实践框架。

 

文献概述
本文《Exploiting correlations across trials and behavioral sessions to improve neural decoding》，发表于《Neuron》杂志，回顾并总结了传统神经解码模型的局限性，并提出利用多会话数据共享结构的改进方法。文章重点介绍了两种模型：多会话降秩回归（multi-session RRR）和多会态空间模型（multi-session state-space model），以提高行为预测的准确性和模型可解释性。整段内容通顺，数据和方法逻辑清晰，且跨任务、跨物种验证了模型的广泛适用性。

背景知识
在神经解码研究中，传统方法通常基于单次试验或单一会话数据，忽视了神经活动和行为间的跨会话相关性。这种忽略导致模型过拟合，难以推广至新数据。近年来，随着大规模神经记录技术（如Neuropixels）的发展，跨会话建模成为可能。然而，如何在不牺牲可解释性的前提下提升模型性能仍是挑战。该研究基于多会话数据，提出降秩回归和状态空间模型，有效整合神经和行为数据，解决了传统模型无法捕捉的共享结构问题。此外，文章还探讨了动物行为的动态状态（如HMM模型）在解码中的作用，为理解学习和记忆机制提供了新思路。

 

提供从基因编辑、饲养繁育到表型分析的一站式服务，涵盖多种动物模型支持神经科学、疾病机制和药理学研究。

了解更多

 

研究方法与实验
研究团队使用433个会话、270个脑区的IBL小鼠Neuropixels数据，结合降秩回归（RRR）和状态空间模型（LG-AR1/BMM-HMM）进行行为预测。降秩回归模型通过低维神经基U和时间基V捕捉行为相关神经变体，而状态空间模型则利用跨试验动态结构优化解码结果。模型在不同任务（如视觉决策、随机目标到达）和物种（小鼠、猴子）中验证其泛化能力，并与传统线性模型和深度学习模型（如MLP）进行比较。

关键结论与观点

• 多会话RRR模型在解码选择、先验、轮速和胡须运动能量等行为变量时优于传统模型，且在跨数据集、跨物种和跨任务中保持稳定。
• 通过状态空间模型（BMM-HMM和LG-AR1）整合跨试验行为相关性，解码准确率显著提高，特别是在动物决策状态变化时。
• 模型具备良好的可解释性，可识别任务相关神经元并绘制脑区激活时间尺度图，为神经机制研究提供可视化依据。
• 研究证明，跨会话建模不仅提升了解码性能，还能揭示动物行为的潜在动态，如内部状态转换和行为策略共享。

研究意义与展望
该研究为神经解码提供了更高效、可解释的建模框架，适用于多任务、多物种和多脑区研究。未来可扩展至更多神经数据模态（如LFP、fMRI），并进一步优化模型以适应不同学习阶段和性能水平的动物。此外，结合深度学习和状态空间方法可能在复杂行为预测中取得更大突破，为神经科学和脑机接口研究提供新方向。

 

提供标准化的小鼠表型分析服务，包括行为学、生理生化、病理学及细胞功能检测，支持神经退行性疾病、代谢疾病及药物研发研究。

了解更多

 

结语
综上所述，本文提出的多会话神经解码模型在保持可解释性的同时显著提升了行为预测性能。通过降秩回归和状态空间建模，该方法有效捕捉神经与行为数据中的共享结构，适用于多种任务和物种。未来研究可进一步探索跨模态数据整合、模型非线性扩展以及在不同行为范式中的应用，以推动神经解码和脑科学的前沿发展。

 

Yizi Zhang, Hanrui Lyu, Cole Hurwitz, Erdem Varol, and Liam Paninski. Exploiting correlations across trials and behavioral sessions to improve neural decoding. Neuron.