近年来，蓬勃涌现的高通量数据采集方法（如动物行为数据、群体神经记录以及连接组学数据等）将神经学引入了一个大数据的时代。然而，随着海量数据的采集成为可能，随之而来的是在数据分析和结论归纳上的全新挑战。我的团队将致力于运用数据科学和机器学习的前沿手段，来应对各种亟待解决的神经学大数据问题。
近年来，神经科学领域内对动物行为的研究显著进步，研究人员在固定头部和自由移动条件下录制了大量动物行为视频。这些视频资料为捕捉和解析复杂的动物行为提供了前所未有的机会；然而，从高维数据中提炼出具有生物学意义的结构仍是一项复杂而具挑战性的任务。
本实验室正与CIBR的多个研究团队紧密合作，致力于开发高效的视频分析工作流，以实现对视频数据的高通量处理，并解决关键的生物学问题。现阶段，我们的研究重点是通过分析啮齿类动物及非人灵长类动物的面部表情视频，深入探究其情绪状态。
鉴于此类数据的高度复杂性以及计算机视觉任务的多样性（包括但不限于图像和视频分类、关键点检测、姿态估计和目标检测与跟踪），我们采取了综合性的方法论框架。该框架融合了前沿的深度学习算法、经典的计算机视觉技术、三维建模以及数值优化策略，旨在构建一个既强大又灵活的分析平台，用以应对上述挑战并促进对动物行为更深层次的理解。
随着技术的进步，每年能够同时记录的神经元数量持续增长。然而，对于从这些大规模神经群体记录中提取有用信息的稳健解码方法这一方面，仍有改进的空间。本实验室专注于与脑机接口（BMI, Brain-Machine Interfaces）相关的神经解码算法的测试与发展。我们探讨的一些关键问题包括：
• 如何最有效地利用不同类型神经数据（如钙离子成像、动作电位、皮层脑电图ECoG、脑电图EEG）的独特特性？
• 如何开发能够在不同受试者之间具有良好泛化能力的解码方法？
• 如何使解码器具备自适应性，以减少校准时间？
为了应对上述挑战，我们的研究致力于探索和实现创新性的算法和技术，旨在提高神经解码的准确性和效率，从而推动脑机接口技术的发展及其在临床和实际应用中的潜力。通过解决这些问题，我们期望为神经科学和医疗技术领域做出重要贡献，并为未来的研究开辟新的方向。
神经科学数据的形式具有多样性，尽管深度学习在计算机视觉和自然语言处理领域取得了显著成就，但对于处理复杂的神经连接数据和复杂的时间序列数据等结构化信息，我们仍需要更加针对性的方法。
目前，本实验室正在利用图神经网络（GNN, Graph Neural Networks），一种专为处理图数据设计的神经网络模型，从连接组数据中学习复杂的非线性结构。例如，我们已与CIBR的崔再续实验室合作，应用GNN并根据人类大脑的结构连接预测功能连接。此外，我们也对模式生物的大脑连接进行分析，例如迄今为止最大的突触级连接组——果蝇脑连接组。
我们还对测试先进的时序模型应用于神经科学数据感兴趣。特别是近年来进展迅速的深度状态空间模型领域，这类模型擅长处理长时间跨度的依赖关系。因此我们致力于评估这些模型在神经科学数据分析中的有效性，并探索它们是否可以用于提升解码性能。
TOP
