发表在4月12日的高级版“神经计算”杂志上的一项研究表明，基于长短期记忆解码器的方法可以为神经假体提供更好的算法，这些算法利用脑机接口恢复严重神经运动障碍患者的运动。

这项调查由杜克大学(美国)的研究人员进行，并参与了UPF生物医学工程学士学位的校友NúriaArmengol，他在Ruben Moreno Bote的监督下为她的学位课程项目发起了这个研究课题。她是UPF信息与通信技术部(DTIC)脑与认知中心(CBC)的研究员，她在杜克大学(美国达勒姆)开发。目前，Armengol正在苏黎世瑞士联邦理工学院(瑞士联邦理工学院)攻读硕士学位。

虽然多年来已经为脑机接口(BMI)应用提出了许多实时神经解码算法，但深度学习算法的最新进展改进了大脑活动解码器的设计，涉及能够解码所有活动的循环人工神经网络。神经元实时。

正如NúriaArmengol所解释的那样，“对于这项研究，我们开发了一种LSTM解码器，用于提取大群神经元(N = 134-402)活动运动的运动学，同时从多个皮质区域的micus rhesus进行采样。运动任务“。

研究的大脑区域包括主要运动区域和初级躯体感觉皮层区域。LSTM长时间保留信息的能力使得能够准确解码需要移动和不动时段的任务。

“我们的LSTM算法明显优于卡尔曼滤波器(一种能够从可观察变量估计不可观测状态变量的分析方法)，而猴子在跑步机上执行不同的任务(抬起手臂，抬起双臂或行走)”，Armengol补充说。

值得注意的是，LSTM单位展示了皮质神经元活动的各种众所周知的生理特征，例如任务期间的定向调整和神经元动态。LSTM模拟了运动任务中涉及的皮层回路的几个关键生理​​属性。这些发现表明，基于LSTM的方法可以为神经假体提供更好的算法策略，这些神经假体使用脑机接口来恢复严重神经运动障碍患者的运动。