ממשק עצבי גמיש רב‑אזורי לפענוח מצבי התנהגות בעכברים נעים בחופשיות

מציצים בשגרה היומית של המוח

פעילויות יומיומיות כמו מנוחה, שיטוט או תפיסת חטיף מרגישות פשוטות, אך הן צומחות ממיליוני תאי עצב היורים יחד עמוק במוח. המחקר הזה מראה כיצד מערכת חיישנים גמישה חדשה, בשילוב עם בינה מלאכותית מודרנית, יכולה «להקשיב» להרבה אזורי מוח בו‑זמנית בעכברים נעים בחופשיות ולזהות באופן מהימן מה החיה עושה. בטווח הארוך, טכנולוגיה כזו עשויה לעזור למדענים להבין הפרעות מוחיות ולבנות ממשקי מוח‑מחשב טובים יותר שפועלים מחוץ למעבדה.

חלון רך אל מוח עמוס

חיישני מוח מסורתיים קשיחים ובדרך כלל מאזינים רק לאזור אחד, מה שעלול לגרות את הרקמה ולהחמיץ את התמונה הרחבה של שיתוף הפעולה בין אזורים שונים. הצוות תכנן חיישן גמיש רב‑אזורי שפותר את שתי הבעיות. כל חיישן נושא שמונה זרועות דקות, או שנקים, המצוידות בלוחות הקלטה מזהב זעירים. עיקולים חכמים בצורת אומגה המוטמעים בכל שנק מאפשרים למבנה להתמתח ולהתכופף עם המוח הרך, כך שיוכל להגיע לאזורים מרוחקים בלי להישבר או למשוך את הרקמה. בדיקות בג'לים המדמים מוח ובעכברים חיים הראו כי המכשיר יכול לכסות יותר ממילימטר אחד של מוח ולשמור על תכונות חשמליות יציבות למשך שבועות, גם כאשר החיות נעות בצורה טבעית.

לעקוב אחרי עכברים בזמן מנוחה, שיטוט ואכילה

כדי לקשר פעילות מוחית להתנהגות ממשית, החוקרים בנו תא שקוף שבו העכברים יכלו לנוע בחופשיות, עם מצע על הרצפה, מזון בפינה קבועה ואור שיכול לספק הבזקים קצרים. מצלמות תלויות עקבו אחרי מיקום הראש והזנב, בעוד החיישן החדש הקליט אותות מוח בתדר נמוך עד משמונה אזורים, כולל מרכזים לתנועה, מגע, זיכרון וראייה. הצוות התמקד בארבעה מצבים שקל לזהות: מנוחה, שיטוט בתוך התא, אכילה בנקודת המזון ומענה להבהב אור קצבתי. על‑ידי תיוג קפדני של ההתנהגויות מהווידאו והתאמתן להקלטות המוח, הם הרכיבו מערך נתונים עשיר המשתרע על כעבור שבוע של זמן פעילות בארבעה עכברים.

ללמד בינה מלאכותית לקרוא דפוסי מוח

אותות מוח משתנים במהירות על גבי זמן ובין אזורים, לכן הקבוצה פנתה למודל למידה עמוקה כדי למצוא דפוסים שלא נראים בקלות לעין האנושית. המודל המותאם שלהם, «L‑Conformer», משלב שתי גישות: חלק אחד מחפש צורות לטווח קצר באות, בעוד חלק «תשומת לב» עוקב איך דפוסים מתקשרים על פני פרקי זמן ארוכים יותר. על‑ידי החלקת חלון זמן על ההקלטות, המודל לומד לקשר כל כרך של פעילות מוחית במשך ארבע שניות לאחד מארבעת מצבי ההתנהגות. החוקרים בחנו אורכי חלון רבים ומצאו כי ארבע שניות מהוות את האיזון הטוב ביותר בין לכידת התנהגות מתמשכת לבין הימנעות מתערובת של מצבים שונים, והושגו דיוקים של כמעט 89%. מודלים מתחרים שנלקחו מעבודות אחרונות בתחום ממשקי המוח‑מחשב לא הציגו ביצועים טובים על מערך הנתונים הטבעי והמורכב הזה.

רב‑אזורים גוברים על אזור יחיד

שאלה מרכזית הייתה האם עדיף להכניס הרבה אלקטרודות לאזור מועדף יחיד או לפזר אותן ברחבי המוח. כשהמודל אומן על אותות מאזור אחד בכל פעם, הביצועים נענו בצורה רחבה ולעיתים היו בינוניים. שילוב כל שמונת האזורים העלה את הדיוק הממוצע לכמעט 88%. הצוות ערך גם השוואות הוגנות ראש בראש על‑ידי שמירה על מספר הערוצים הכולל כשהם משנים את מיקומם. עם רק כמה ערוצים, ריכוזם באזור אחד עבד קצת טוב יותר. אך ברגע שנכללו אותות מחמישה אזורים ומעלה, הפריסה המפוזרת עלתה בבירור והמשיכה להשתפר, בעוד הסידור של אזור יחיד הגיע לתקרה. הדבר מצביע על כך שמצבים יומיומיים כמו מנוחה, שיטוט ואכילה הם תופעות על‑מוחיות של המערכת כולה, ולא תוצר של «מרכז» בודד כלשהו.

פענוח יציב לאורך ימים ובעכברים שונים

לשימוש קליני או סיוע עתידי, מפענח חייב להמשיך לפעול מעבר למפגש הקלטה בודד או פרט יחיד. לכן החוקרים בדקו האם המודל שלהם יכול להתמודד עם ימים חדשים וחיות חדשות ללא אימון מתמיד. כאשר אומן על מספר ימי נתונים מעכבר אחד ונבחן בימים מאוחרים יותר, הדיוק טיפס לכ‑85%, קרוב לביצועי אותו יום, אפילו ללא כוונון מחודש של המודל. במבחן קשה יותר, הם אימנו את המערכת על שלושה עכברים והעריכו אותה על רביעי. באופן מרשים, המודל עדיין הצליח לנחש את מצבו ההתנהגותי של אותו עכבר עם דיוק של כ‑70% ישר מהקופסה, וכיוונון עדין פשוט עם חלק מנתוני העכבר החדש דחף את הדיוק מעל 80%.

מה משמעות הדבר עבור ממשקי מוח עתידיים

בקיצור, המחקר מראה שרשת «מקשיבה» רכה ורב‑אזורית בשילוב עם אלגוריתם למידה עוצמתי יכולה לפענח במהימנות גבוהה מה עכבר נייד בחופשיות עושה במשך שבועות ובעכברים שונים. לרבים שאינם מומחים, הרעיון המרכזי הוא שמצבי מוח כמו מנוחה, חקר ואכילה כתובים בדפוסים בקנה מידה גדול המתפזרים ברחבי המוח, ושאלקטרוניקה גמישה ובינה מלאכותית יכולים לקרוא את הקוד המפוזר הזה בלי לפגוע ברקמה או להתחיל מהתחלה כל יום. בטווח הארוך, גישות דומות עשויות לסייע לנטר מצבים פנימיים בהפרעות מוחיות, להנחות טיפולים ולתמוך בממשקי מוח‑מחשב שעובדים בהגדרות טבעיות ויומיומיות יותר.

ציטוט: Tian, Y., Li, G., Su, H. et al. A multi-region flexible neural interface for behavioral state decoding in freely moving mice. Microsyst Nanoeng 12, 154 (2026). https://doi.org/10.1038/s41378-026-01258-5

מילות מפתח: ממשק מוח‑מחשב, פענוח עצבי, אלקטרודות גמישות, מצב התנהגות, למידה עמוקה