将肉眼直接用来“照相”，也许将成为可能……
哈佛团队推出的新模型能够分析神经信号，甚至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。
(资料图片仅供参考)
Nature的编辑也评价它“十分优雅”：
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。
一名团队成员表示，这个名字十分贴切，因为CEBRA可以把信息“条纹化”，就像斑马一样。
在小鼠身上进行的实验中，CEBRA视频解析的准确率超过了95%。
团队还发现，CEBRA在跨越大鼠和小鼠两个物种时的表现具有一致性。
所以可以展望CEBRA在其他物种上的应用，说不定人眼摄像机也会成为可能。
论文通讯作者也表示，未来的目标是将CEBRA集成到脑机接口中：
本质上，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。
鲁棒性与实用性兼具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。
论文地址：https://www.nature.com/articles/s41586-023-06031-6
项目主页：https://github.com/AdaptiveMotorControlLab/CEBRA