Maryam Shanechi 和她的团队开发了一种新的机器学习方法，通过将这些模式与视觉输入的影响分开，揭示不同受试者之间惊人一致的内在大脑模式。该工作已发表在《美国国家科学院院刊》上。

当执行各种日常运动行为(例如伸手拿书)时，我们的大脑必须通常以视觉输入的形式接收信息，例如查看书在哪里。然后，我们的大脑必须在内部处理这些信息，以协调肌肉的活动并执行运动。

但是我们大脑中数百万个神经元是如何执行这样的任务的呢?回答这个问题需要研究神经元的集体活动模式，但同时要解开神经元内在(又称内部)过程输入的影响，无论是否与运动相关。

她的博士生 Shanechi 就是这么说的。学生 Parsa Vahidi 和她实验室的研究员 Omid Sani 开发了一种新的机器学习方法，该方法可以在考虑运动行为和感觉输入的同时对神经活动进行建模。

Shanechi 说：“以前分析大脑数据的方法要么考虑神经活动和输入，但不考虑行为，要么考虑神经活动和行为，但不考虑输入。”

“我们开发了一种方法，在提取隐藏的大脑模式时可以考虑所有三种信号——神经活动、行为和输入。这使我们不仅能够解开与输入相关的神经模式和内在神经模式，还能区分出哪些内在模式是相关的哪些是运动行为，哪些不是。”

Shanechi 和她的团队使用这种方法研究了三个公开可用的数据集，在此期间三个不同的受试者执行两个不同的移动任务之一，包括在网格上移动计算机屏幕上的光标或将其顺序移动到随机位置。