学习网球或乐器等复杂的运动技能需要改变大脑中许多神经元之间的连接。我们对成对的神经元如何改变它们的连接有很多了解,但多个大脑区域如何协作来指导跨神经元网络的学习还不太清楚。当我们学习一种新的运动技能时,我们的感觉系统会观察我们的行为,这些信号必须与控制我们行动的运动系统中的学习机制相互作用。大脑使用什么目标在多个大脑区域驱动学习计算?感觉反馈如何在大脑中传播并引导神经连接子集的变化?我们的目标是揭示学习运动行为的计算原理。我们采用了一种方法,将来自人工神经网络(ANN)的计算工具与脑-机接口(BMI)实验配对,其中运动区域的活动直接控制计算机光标的移动。
人工神经网络为探索大型网络如何执行计算提供了强大的方法,但在人工神经网络和大脑学习方式之间进行比较具有挑战性,因为我们无法将人工网络中的神经元与大脑中的神经元进行匹配。BMI简化了这一挑战,因为它们让我们从实验上定义了大脑的“行为输出层”。我们将在动物学习控制BMI时分析神经元的活动,并将观察到的动力学与ANN的动力学进行比较,以更好地理解驱动学习的目标(指标)。这将产生新的方法来识别学习过程中大量神经元内变化背后的计算。我们还将进行实验,在记录控制光标和眼睛的多个皮层区域的活动时,改变BMI以引入错误。我们将研究错误的视觉反馈如何通过网络传播,从而改变控制BMI光标的神经元的活动,并探索当一个人收集视觉信息时发生的眼球运动是否有助于学习。这将使我们能够测试关于反馈如何在神经元网络中驱动学习的假设。
完整项目