使用卷积神经网络解读宽频神经活动

钙成像与电生理技术的快速发展，使得神经记录的规模和覆盖范围实现了显著提升。然而，对这些数据的解析通常仍依赖人工操作，且需要对表征特性有深入理解。解码方法为推断此类记录中的信息内容提供了有效手段，但传统方法通常需要高度预处理的数据以及对编码机制的先验知识。在此，我们开发了一种基于深度学习的框架，能够直接从宽带神经数据中解码感觉与行为变量。该网络对用户输入要求极低，且在不同刺激、行为模式、脑区以及记录技术之间具有良好的泛化能力。模型训练完成后，可通过分析其内部结构，识别出与特定变量相关的关键神经编码要素。我们利用小鼠听觉皮层和海马区的数据验证了该方法的有效性，成功发现了一种由疑似CA1区中间神经元编码的新型头部方向表征。