自适应解码器让任务信息“压缩”进少数神经元，高强度适配反而损害长期性能
脑机接口越用越顺手，代价是什么？Nature Communications：自适应解码器让任务信息“压缩”进少数神经元，高强度适配反而损害长期性能来源：生物谷原创 2026-10-03 10:18
自适应解码器使运动皮层任务信息集中于更少读出神经元和低方差模式，并改变信用分配。
对瘫痪患者而言，脑机接口意味着重新获得控制能力。但设备越用越顺手时，大脑内部发生了什么？是更多神经元参与，还是少数神经元承担重任？
近日，Nature Communications发表研究，用猕猴运动皮层脑机接口和循环神经网络模型，比较固定与自适应解码器对神经表征的长期影响。自适应解码器在使用中更新参数，改善或维持性能，不制造任务误差；固定解码器保持参数不变。参与实时解码的称为读出神经元，不直接驱动光标的为非读出神经元。
离线分类发现，训练推进后，目标方向信息在读出神经元中逐渐稳定，相邻训练日分类权重相似性升高。读出神经元解码准确率从早期到晚期显著提高，非读出神经元没有显著变化。手臂运动任务中没有这种分离。解码器更新前后分类准确率没有立即变化，提示信用分配发生在更长练习时间尺度上。大脑逐渐把行为结果归因于真正控制光标的神经元。
图1 实验设置与行为示例
排序神经元添加曲线显示，自适应解码器学习后，达到80%归一化分类准确率所需读出神经元数量显著减少，固定解码器没有这一现象。组合分析表明，晚期分类能力提升主要由排名最高的少数读出神经元驱动。循环神经网络模型在相同初始化下比较两种解码器，只有自适应解码器导致贡献集中和表征压缩。高强度闭环适配可能损害最终性能，提前停止或延长适配间隔可维持性能并减少压缩。模型还显示，自适应解码器下循环权重改变与固定解码器明显不同，提示脑与解码器共适应驱动独特可塑性。
图2 学习导致神经表征压缩
群体水平上，主成分分析显示自适应解码器学习后，达到80%分类准确率所需主成分数量也减少。任务信息更多出现在低方差主成分中，高方差主成分不一定最具预测性。强解码主成分主要接收高预测读出神经元的载荷，高方差主成分没有明显偏好。读出群体维度未下降甚至增加，说明压缩是把任务信息重组到特定低方差模式。
图3 任务信息出现在低方差神经模式中
自适应解码器不仅让脑机接口更好用，也会改变大脑长期学习中的误差信息和信用分配。对临床脑机接口来说，解码器与大脑构成共适应系统。算法设计要在性能、表征效率、记录稳定性和长期学习之间取得平衡。未来脑机接口若成为日常辅助工具，理解算法如何塑造神经编码，将是长期稳定控制的关键。（生物谷Bioon.com）
参考文献：
Rajeswaran P, Payeur A, Lajoie G, Orsborn AL. Assistive algorithms influence neural representations in motor brain-computer interfaces. Nat Commun. 2026;17(1):9832. Published 2026 Sep 15. doi:10.1038/s41467-026-76109-y
页:
[1]