利用跨试次和行为会话的神经相关性提升神经解码性能：多会话低秩模型与行为状态推断

《Neuron》：Exploiting correlations across trials and behavioral sessions to improve neural decoding

本研究针对传统神经解码方法忽略跨试次和会话间相关性的局限，提出了多会话降秩回归（RRR）和状态空间模型，通过共享神经活动与行为数据的低维结构，显著提升了小鼠决策任务中行为变量（如选择、先验信念等）的解码准确率。该方法在跨数据集（包括灵长类运动任务）中展现出强泛化能力，并为解析全脑行为相关时间尺度提供了可解释工具。

　　

在神经科学领域，解码神经活动与行为之间的关联一直是核心挑战。传统神经解码方法通常局限于单个试次或会话内的分析，忽视了动物在执行相同任务时神经模式和行为策略在跨试次与会话间存在的系统性关联。这种局限使得解码器难以充分利用大规模神经数据集中的丰富结构，从而限制了解码准确性和可解释性。随着国际脑实验室（IBL）等倡议产生全脑范围的神经记录，开发能够有效利用跨会话共享结构的解码模型变得尤为迫切。

为了突破这一瓶颈，Yizi Zhang、Hanrui Lyu、Cole Hurwitz等研究人员在《Neuron》上发表了题为“Exploiting correlations across trials and behavioral sessions to improve neural decoding”的研究。该研究创新性地提出了两种互补的模型：多会话降秩回归模型（RRR(M)和RRR(MR)）用于捕捉跨会话共享的神经表征，以及多会话状态空间模型（如BMM-HMM和LG-AR1）用于推断跨试次的行为潜在状态。这些模型不仅在433个IBL小鼠Neuropixels会话中显著提升了对选择、先验信念、轮速和胡须运动能量等多种行为的解码性能，还成功推广至艾伦研究所视觉编码数据集和灵长类随机目标抓取任务，验证了其跨物种、跨任务的通用性。

研究采用的关键技术方法主要包括：1）基于降秩回归的神经活动降维与解码框架，通过低秩分解（如将权重矩阵分解为神经基U和时序基V）减少过拟合；2）隐马尔可夫模型（HMM）与贝塔混合模型（BMM）结合，从单试次解码输出中推断离散潜在行为状态（如IBL任务中的左/右/随机选择状态）；3）线性高斯自回归模型（LG-AR1）用于建模连续行为变量（如先验信念）的试次间平滑动态；4）基于经验贝叶斯的多会话参数共享策略，通过训练会话的行为数据学习先验分布以约束测试会话的模型推断；5）全脑范围的行为相关时间尺度映射，利用区域特异性时序基分析不同脑区的激活峰值时间与持续时间。研究所用数据主要来自IBL公开数据集，包括小鼠Neuropixels记录、行为视频及灵长类Utah阵列记录。

结果1：跨会话共享神经结构提升解码性能

通过多会话降秩回归模型（RRR(M)），研究发现行为相关的神经表征在低维空间中跨动物共享。与主成分分析（PCA）等无监督方法相比，RRR通过监督学习更有效地分离了不同行为类别（如左/右选择）。在IBL数据中，RRR(M)在解码选择、先验信念等变量时均优于单会话RRR和传统岭回归（图2）。例如，在选择解码任务中，RRR(M)的调整兰德指数（ARI）和解码准确率显著高于单会话模型（p<0.002），表明共享时序基（V）能够有效捕获跨会话的神经动态一致性。

结果2：行为状态推断改善单试次解码精度

针对行为数据的试次间相关性，研究提出了多会话状态空间模型（如BMM-HMM）。在IBL二进制选择任务中，BMM-HMM仅基于单试次解码输出就成功推断出小鼠的潜在决策状态（如左偏向、右偏向和随机状态），其输出更贴合真实的“区块”结构（图4）。与单会话模型相比，多会话BMM-HMM通过经验先验提升了参数估计的鲁棒性，其解码结果（如选择概率）更接近使用真实行为训练的Oracle模型。类似地，LG-AR1模型通过平滑试次间先验信念的波动，显著提高了连续先验变量的解码相关性（图4D）。

结果3：全脑行为相关时间尺度的可解释映射

通过多区域降秩回归模型（RRR(MR)），研究首次在全脑范围量化了不同区域在行为解码中的激活时间尺度（图7）。结果显示，感觉运动区域（如运动皮层MOp）的激活持续时间较短，而认知相关区域（如伏隔核ACB和基底内侧杏仁核BMA）则表现出更持久的活动。这一发现揭示了行为相关神经动态的层次性组织，并为理解不同脑功能环路的计算特性提供了新视角。

结果4：模型泛化性验证跨任务与物种的适用性

研究在多种数据结构和任务中验证了模型的普适性（图8）。例如，在艾伦研究所视觉编码数据集中，RRR(M)成功解码了小鼠对Gabor和静态光栅刺激的反应，并在跑步速度预测中优于线性基线；在灵长类随机目标抓取任务中，RRR对手指速度的解码也显著超越传统线性模型。这些结果表明，所提出的框架能够适应不同的神经记录模式（如Neuropixels与Utah阵列）、行为范式（如决策与运动任务）以及物种（小鼠与猴）。

本研究通过引入跨会话共享的低秩模型与行为状态推断方法，突破了传统神经解码的局限性。不仅显著提升了行为预测的准确性，还提供了神经元贡献量化、全脑时间尺度映射等可解释工具。与黑盒式的深度学习模型相比，该框架兼顾了计算效率与模型透明度，为大规模神经数据集的分析提供了新思路。未来，该方法可进一步扩展至多模态数据整合、非线性动态建模等方向，深化我们对神经-行为关联的理解。