该文档是一篇发表在《Nature Neuroscience》期刊上的技术报告，标题为“Dissociative and Prioritized Modeling of Behaviorally Relevant Neural Dynamics Using Recurrent Neural Networks”。本文由Omid G. Sani、Bijan Pesaran 和 Maryam M. Shanechi等学者撰写，研究发表于2024年10月，主要探讨了如何通过一种新颖的非线性动力学建模方法，即DPAD（Dissociative Prioritized Analysis of Dynamics），来分析神经活动与行为之间的动力学转换。
理解神经活动如何转化为行为是神经科学的一个重要目标。过去的研究中，大多数方法使用静态映射来关联神经活动和行为，但这些方法无法描述神经群体活动随时间演变的动态结构。相比之下，动力学模型可以通过将高维神经记录数据嵌入到低维潜在状态空间中，描述这些时间结构。然而，传统的动力学模型通常是线性或广义线性模型，这种模型在应对神经–行为转换中的非线性问题时存在局限性。
为了弥补这一不足，本文提出了一种名为DPAD的非线性动力学建模框架。这一框架不仅能够建模行为相关的神经动力学，还可以将其与其他神经动力学区分开来，并优先学习行为相关的神经动力学。此外，DPAD能够帮助研究者测试非线性来源的假设，从而更好地理解神经计算的本质。
研究的主要目标是开发一个能够捕捉神经活动与行为之间非线性转换的模型，特别是在多种神经动态和行为数据中，寻找非线性转换的来源。通过实现这些目标，本文旨在推动神经科学领域的研究，尤其是与脑机接口和神经技术相关的领域。
DPAD的建模框架采用了递归神经网络（RNN）的结构。模型的核心在于通过优先化算法，分离行为相关的神经动态并优先学习这些动态，从而更准确地预测神经–行为关系。具体来说，DPAD框架包括两部分：第一部分的RNN学习行为相关的潜在状态，第二部分学习剩余的神经动态。此外，DPAD允许灵活地调整模型参数，捕捉神经-行为转换中的非线性因素。
研究中使用了四个来自非人类灵长类动物（NHP）的数据集，涵盖了不同的运动任务，包括三维抓握运动、眼球运动、屏幕上的二维光标控制和虚拟现实环境中的手指运动。这些数据集包含神经群体的尖峰活动和局部场电位（LFP）数据。在每个数据集中，DPAD模型都被应用于多种神经动力学的建模和行为预测。
本文的研究流程包括五个主要的实验案例，展示了DPAD在神经行为数据建模中的广泛应用：
本文的研究结果表明，DPAD在多种神经模式和行为任务中均表现优异，尤其是在处理局部场电位数据时，DPAD通过捕捉行为预测中的非线性，显著提高了建模的准确性。此外，DPAD不仅在神经自预测和行为解码上比传统模型表现更好，而且还实现了对神经-行为数据的多步预测。这些结果表明，DPAD能够更准确地描述神经-行为关系，并提供了一种强大的工具来进行神经行为数据的非线性动力学建模。
本文的研究为神经科学领域带来了重要的贡献，特别是在建模神经活动如何产生行为方面。DPAD提供了一种优先化的非线性动力学建模工具，不仅可以更精确地预测行为，还可以测试非线性转换的来源，这对理解神经计算的过程具有重要意义。本文的方法同样可以应用于其他领域，如认知神经科学和神经精神病学，尤其是在研究间歇观察到的行为（如情绪）时，DPAD展示了巨大的潜力。
DPAD为神经科学领域提供了一种新颖且强大的工具，能够准确捕捉神经活动与行为之间的复杂非线性转换。通过优先学习行为相关的神经动态，DPAD帮助研究者更好地理解神经计算的本质，并为未来在脑机接口、神经技术及认知神经科学领域的应用铺平了道路。