一种用于自由活动小鼠行为状态解码的多区域柔性神经接口

倾听大脑的日常节律

日常活动如休息、四处游荡或吃点零食看似轻而易举，但它们是由深处大脑中数百万个神经元共同放电产生的。本研究展示了一种新的柔性传感系统，配合现代人工智能，如何在自由活动的小鼠身上同时“监听”多个脑区并可靠地判断动物在做什么。长期来看，这类技术可帮助科学家理解脑部疾病，并构建能在实验室外运行的更好脑‑机接口。

通往繁忙大脑的柔软窗口

传统的脑探针刚性较大且通常只监听单一区域，这会刺激组织并遗漏不同脑区如何协作的更大图景。研究团队设计了一种多区域柔性探针，解决了这两类问题。每个探针有八个纤细的臂状体（或称梭），其上排列着微小的金属记录电极。每根梭上巧妙的欧米伽形曲线使结构能够随柔软的大脑伸展和弯曲，这样它可以在不折断或牵拉组织的情况下到达较远的区域。在凝胶“模型脑”和活体小鼠的测试中，该装置能跨越超过一厘米的脑组织，并在动物自然活动时数周内保持稳定的电气特性。

跟随小鼠的休息、游走与进食

为将大脑活动与实际行为连接起来，研究者构建了一个透明箱，供小鼠自由活动，地面铺有垫材，食物放在固定角落，并可提供短促闪光的灯。头部与尾部位置由头顶摄像机追踪，同时新型探针记录来自多达八个区域的低频脑信号，覆盖运动、触觉、记忆与视觉中心。团队关注四种易于识别的状态：休息、在箱内四处游荡、在食物点进食以及对节律性光闪的反应。通过从视频中仔细标注行为并将其与脑信号匹配，他们组建了一个丰富的数据集，覆盖四只小鼠约一周的活跃时间。

教会人工智能解读脑模式

脑信号随时间和空间快速变化，因此团队采用了深度学习模型以发现人类难以直接识别的模式。他们定制的“L‑Conformer”模型结合了两种思路：一部分用于捕捉信号中的短程形状，另一部分的“注意力”机制用于追踪模式在较长时间跨度上的关联。通过在记录上滑动时间窗口，模型学会将每个四秒的脑活动片段对应到四种行为状态之一。研究者测试了多种窗口长度，发现四秒在捕捉持续行为与避免混合多种状态之间取得了最佳平衡，达到了近89%的准确率。在这一要求苛刻、更接近自然环境的数据集上，来自近期脑‑机接口工作的竞争模型表现未能达到同样水平。

多区域优于单一区域

一个关键问题是：是把许多电极集中在单个“偏好”区域更好，还是将它们分布在全脑更有优势。当模型仅以单一区域的信号训练时，性能差异很大且往往较为有限。将所有八个区域的信号结合后，平均准确率提升到近88%。团队随后通过保持总通道数不变但改变其分布位置，进行了公平的一对一比较。在通道数很少时，将其集中在一个区域会略胜一筹。但一旦包含五个或更多区域，分布式布局明显领先并持续改进，而单一区域布置则触及天花板。这表明像休息、游荡和进食这样的日常状态是真正的全脑现象，而非任何单一“中心”的产物。

跨日与跨鼠种的稳定解码

为了将来可能的临床或辅助应用，解码器必须能在超过单次记录会话或单只动物之外持续工作。因此研究者考察了模型是否能在不需频繁重训练的情况下应对新的日子与新的动物。当在一只小鼠的数天数据上训练然后测试后续天的数据时，准确率上升至约85%，接近同日性能，即使未对模型重新调整。在更严苛的测试中，他们用三只小鼠的数据训练系统，并在第四只上评估。令人惊讶的是，模型开箱即用仍能以约70%的准确率推测该动物的行为状态，并且通过用部分新小鼠的数据进行简单微调，准确率可提升到80%以上。

这对未来脑接口意味着什么

简言之，这项研究表明，一种柔软的多区域“监听网络”与强大的学习算法相结合，能够在数周内并跨不同动物高可靠地解码自由活动小鼠的行为。对非专业读者而言，关键观点是：像休息、探索和进食这样的脑状态以分布于全脑的大尺度模式书写，且柔性电子设备与人工智能可以在不损伤组织或每天从零开始训练的情况下读取这种分布式编码。从长远看，类似方法可用于监测脑部疾病中的内部状态、指导治疗并支持在更自然日常环境中运行的脑‑机接口。

引用: 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

关键词: 脑-机接口, 神经解码, 柔性电极, 行为状态, 深度学习