Машинное обучение для декодирования нейронной активности

Несмотря на быстрый прогресс в области машинного обучения, в большинстве методов декодирования нейронной активности по-прежнему используют традиционные подходы. Современные методы машинного обучения универсальны и просты в применении, а их использование может значительно повысить качество декодирования. В этом практическом руководстве описано, как эффективно применять такие алгоритмы для решения типичных задач декодирования. Мы приводим описания методов, рекомендации по их применению и программный код для распространённых методов машинного обучения, включая нейронные сети и градиентный бустинг. Также подробно сравниваются результаты различных методов при декодировании импульсной активности моторной и соматосенсорной коры, а также гиппокампа. Современные методы, особенно нейронные сети и ансамбли моделей, значительно превосходят традиционные подходы, такие как фильтры Винера и Калмана. Повышение качества алгоритмов декодирования нейронной активности помогает нейробиологам лучше понять, какая информация содержится в активности нейронной популяции, и может способствовать развитию инженерных приложений, например интерфейсов «мозг—компьютер». Пакет программного кода доступен по адресу github.com/kordinglab/neural_decoding.