GAN这回玩了票大的，把手伸向了”人脑思维”。
没错，直接就是一个”合成思维”——生成用来喂给脑机接口的那种大脑活动数据。
作者表示，这是AI首次在该领域被应用。
并且这项技术一举把训练脑机接口系统提取、分析大脑信号的时间，提高了整整20倍。
此项研究来自南加大华人博士温士贤团队。
论文已发表在NatuRe子刊上。
而在我们与作者温士贤的深入交谈中，他表示会继续推进相关研究：
这项研究成果未来可以用于诸多神经解码问题上，自己也会继续在失眠、自闭症、多动症、阿兹海默症等疾病的个性化的干预和阻断上进行研究。
首次用AI合成”思维”
可是问题就来了，为什么要用AI去”伪造”神经活动数据呢？
直接用人类的不好吗？
还真不一定好。
比如，今年5月份登上NatuRe封面的意念打字研究，这位代号T5，全身瘫痪的老爷子是唯一的受试者：
模型所需的训练数据，就是这位老爷子在脑中一笔一画”写”出来的字母：
在脑海中想象文字的轨迹和手动书写本来就难度不同，而模型需要的还不仅是几个字母，而是大量重复的书写数据。
要让一位残疾人每天花几个小时去做重复任务，不仅辛苦，数据收集的速度和数据集最终的大小自然都非常有限。
而在要让算法解读神经活动信号的脑机接口，本身也是一个机器学习问题。
因此，算法效果当然会依赖于巨量训练数据的支撑，而在实际实验中，真不一定弄得到那么多数据。
就算有充足的可用数据，不同受试对象的神经元信号也存在差异。
一个人的数据训练出来的解码算法要应用到另一个人身上，就必须重头再来。
除此之外，就算是同主体上的解码算法的效果，也会随着时间推移而变差，需要定期重新校准。
更何况，有些最需要脑机接口帮助的残障人士，因神经系统损坏已经无法发送相应的信号了。
那么，要如何解决或者改善上面这些问题呢？
温士贤博士表示：
GAN就完事儿了。
让猴子玩贪吃蛇
这次研究的被试者是两只小猴子，它们需要完成的任务很简单。
屏幕上会有物体在随机位置出现，小猴子要用摇杆控制屏幕上的光标去接触这个物体。
结合论文的配图一看，大概类似于贪吃蛇？
小猴子手臂处植入的电极阵列会采集神经的运动控制（MoTor ContRol）信号。
初级运动皮层的神经元会以1-2毫秒间隔释放100毫伏左右的间歇性脉冲，神经元每次激发就会产生一个峰值。
这种活动模式被叫做峰电位序列（Spike TRAIn）。
研究人员先用双向LSTM网络设计了GAN中的生成器和鉴别器，用采集到的神经数据加上随机高斯噪声来合成新的数据。
研究要解决的关键问题，是如何只用少量真实采集的数据来生产可用的合成数据。
对于神经信号来说，合成数据的可用性面临两个问题：
不同个体产生的信号有不同模式，就连同一个体在不同时间的神经信号也会不同。
而之前的步骤就相当于预训练，下一步就是针对这些情况来微调。
结合另一只猴子或同一只猴子在不同时间采集的数据来作微调，最终产生大量可适用于不同情况的峰电位序列。
最后一步就是验证用少量真实数据+大量合成的数据训练脑机接口解码器，以验证效果。
最终他们只用不到1分钟的真实数据加上合成数据，就能当20分钟的真实数据用。
论文最后提到，虽然这次研究只实验了猴子的运动控制信号，不过研究所用的方法是纯数据驱动的，不对运动控制问题有额外的设计。
换句话说，这篇论文提出的方法是通用的，如果用于其他神经的编码解码问题，只需要做最小限度的修改即可。
论文地址：
https://www.natuRe.coM/Articles/s41551-021-00811-z
