哈佛｜从神经信号提取出图像，成果登Nature

哈佛团队推出的新模型能够分析神经信号，从视觉皮层中直接提取影像

相比于传统神经解析工具，这项成果大大提高了识别效率和连续性。

这款模型名叫CEBRA（发音同zebra），是将对比式学习与非线性独立分析相结合的产物。

CEBRA是一个神经信号解析模型。所以它的技能不只有图像获取，只要和神经信号有关的事情，它都能做。比如根据神经活动来预测肢体的运动行为。

还可以根据神经信号判断肢体活动是主动还是被动做出。

对比式非线性学习

行为或神经数据的降维压缩一直是神经信号识别中不可缺少的一环。

研究团队将对比式学习引入非线性独立成分分析模型，提出了新的框架。

对比式学习是一种强大的自驱动学习方式，使用呈现对比关系的样本进行训练，以发现数据间的共性与个性。

用CEBRA的模型训练神经网络，可以得到一种编码器。

这种编码器则可以生成由动作或时间调控的低维嵌入空间。

具体而言，是通过将离散或连续的变量与时间相结合使数据对得到分布，然后再交由编码器处理。

CEBRA获取神经活动嵌入时同时使用用户定义（监督驱动、假设式）和只带有时间（自驱动、发现式）的标签。

这一过程中，CEBRA将行为及时间标签与神经信号一并优化，映射到低维嵌入空间。

根据数据集大小的不同，优化计算可以采用批量计算、随机梯度下降等不同方式。

优化后得到的低维嵌入既可以用于数据可视化，也可以在解码等下游工作中使用。

相比于传统的非线性降维方式，对比式训练无需生成模型，适用广泛性更强。

在事实信息重构的测试中，CEBRA的表现显著优于pi-VAE。

然后，团队又使用了一个海马数据集进行测试，该数据集被用来作为神经嵌入算法的基准。

在这一轮测试中，团队赋予了pi-VAE卷积网络加持，但最终结果仍是CEBRA更胜一筹。

鲁棒性方面，团队使用了代数拓扑学方法进行测试。

将CEBRA生成的低维嵌入投影到球面，团队发现了一个环形拓扑结构。

通过计算Eilenberg-MacLane坐标发现，CEBRA的环形拓扑结构与（真实）空间跨维度匹配。

至于跨个体甚至物种的表现，团队在训练时就使用了包含多种动物的数据集。

测试结果也表明，CEBRA生成的结果具有很高的个体间和种间一致性。

与完全在未见过的个体上进行训练相比，CEBRA的结果错误更少、效率也更高。

实际应用中，团队在小鼠身上进行了实验。

他们让小鼠反复观看几段视频，并与小鼠视觉皮层的信号一并作为训练数据。

另有一些视频则用作测试数据，结果显示，CEBRA视频解析的准确率超过了95%，远高于其他模型。