Крыса бежит — мозг рассказывает экспресс
Крыса бежит по дорожке — не потому, что её заставляет мотор, а потому, что ей самой захотелось. На черепе у неё сетка из 32 крошечных датчиков, как шапочка для плавания, только с проводками. Датчики ловят слабые электрические волны, которые испускает мозг. Раньше, чтобы понять, с какой скоростью бежит животное, приходилось вживлять электроды прямо в мозг. Теперь оказалось, что достаточно просто приложить датчики к голове — и всё видно.
Нейросеть учили на 133 часах записей. Она смотрела на узор мозговых волн и угадывала скорость дорожки. Получилось очень точно: корреляция 0,88 — это как если бы вы почти всегда попадали в яблочко. Главную роль играют волны медленного ритма — меньше восьми колебаний в секунду. Их рождает зрительная кора, та часть мозга, что обрабатывает картинку. Получается, мозг не просто командует лапами, а постоянно сверяет бег с тем, что видят глаза.
Если обучить нейросеть на одной крысе, на другой она уже не сработает — у каждого животного свой «почерк» мозга. Но зато на той же крысе в другой день всё работает отлично. Значит, узор стабилен, и можно делать устройство, которое один раз настроил — и оно слушается тебя каждый день.
Крыса останавливается, и волны в её мозге затихают. Но рисунок этих волн уже рассказал, куда и как быстро она бежала. Осталось научиться читать его без проводов — и тогда мысль станет свободной, как бег.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2602.18637
$$\textit{Objective.}$$ Accurate neural decoding of locomotion holds promise for advancing rehabilitation, prosthetic control, and understanding neural correlates of action. Recent studies have demonstrated decoding of locomotion kinematics across species on motorized treadmills. However, efforts to decode locomotion speed in more natural contexts$$-$$where pace is self-selected rather than externally imposed$$-$$are scarce, generally achieve only modest accuracy, and require intracranial implants. Here, we aim to decode self-paced locomotion speed non-invasively and continuously using cortex-wide EEG recordings from rats. $$\textit{Approach.}$$ We introduce an asynchronous brain$$-$$computer interface (BCI) that processes a stream of 32-electrode skull-surface EEG (0.01$$-$$45 Hz) to decode instantaneous speed from a non-motorized treadmill during self-paced locomotion in head-fixed rats. Using recurrent neural networks and a dataset of over 133 h of recordings, we trained decoders to map ongoing EEG activity to treadmill speed. $$\textit{Main results.}$$ Our decoding achieves a correlation of 0.88 ($$R^2$$ = 0.78) for speed, primarily driven by visual cortex electrodes and low-frequency ($$< 8$$ Hz) oscillations. Moreover, pre-training on a single session permitted decoding on other sessions from the same rat, suggesting uniform neural signatures that generalize across sessions but fail to transfer across animals. Finally, we found that cortical states not only carry information about current speed, but also about future and past dynamics, extending up to 1000 ms. $$\textit{Significance.}$$ These findings demonstrate that self-paced locomotion speed can be decoded accurately and continuously from non-invasive, cortex-wide EEG. Our approach provides a framework for developing high-performing, non-invasive BCI systems and contributes to understanding distributed neural representations of action dynamics.
Зрительная кора — это область мозга, которая обрабатывает то, что видят глаза. У крыс она занимает большую часть мозга, потому что для них зрение — главный способ узнавать мир.
В фильме «Аватар» люди управляют аватарами через нейроинтерфейс, но там сигналы считываются с помощью сложной капсулы. Здесь же достаточно шапочки с датчиками — почти как в фантастике, только без хирургии.