利用多個電極記錄神經元活動已被廣泛用于了解大腦的功能機制。增加電極的數量使我們能夠解碼更多種類的功能。然而，由于有限的硬件資源和不可避免的熱組織損傷，處理大量的多道電生理數據仍然是具有挑戰性的。
在這里，大邱景北科學技術研究所Hongki Kang，Kyong Hwan Jin提出了基于機器學習(ML)的重建高頻神經元棘波從下采樣的低頻頻段信號。
文章要點
1）受圖像處理中高頻恢復和超分辨率的等價性啟發，研究人員將變壓器ML模型應用于體外培養和在體雄性小鼠腦內記錄的神經元數據。即使使用x8下采樣數據集，我們訓練的模型也合理地估計了尖峰活動的高頻信息，包括尖峰定時、波形和網絡連接。
2）隨著基于ML的數據簡化適用于現有的多通道記錄硬件，同時實現寬帶神經元信號，研究人員希望能夠對大腦功能進行更全面的分析和控制。
參考文獻
Hong, N., Kim, B., Lee, J. et al. Machine learning-based high-frequency neuronal spike reconstruction from low-frequency and low-sampling-rate recordings. Nat Commun 15, 635 (2024).
https://doi.org/10.1038/s41467-024-44794-2
