ラットの自発歩行速度を脳波からリカレントニューラルネットワークでオンライン解読

- ラットの自発的なトレッドミル歩行速度を、非侵襲的な頭皮上EEGからオンラインで連続デコードするBCIを提案。 - 32電極のEEG（0.01–45 Hz）を入力とし、recurrent neural networksで瞬時速度を推定。 - 133時間超の記録データセットを用いて学習し、相関0.88（R²=0.78）を達成。 - 主にvisual cortex電極と低周波（<8 Hz）振動が寄与。 - 同一ラット内のセッション間では事前学習でデコーダが汎化するが、動物間では転移しない。 - 皮質状態は現在の速度だけでなく、未来・過去のダイナミクスも最大1000 ms先まで保持。

- 従来はmotorized treadmill上での歩行キネマティクスデコードが主流で、自発ペースの自然な歩行速度デコードは稀。 - 既存の自発歩行デコードは精度が控えめで、頭蓋内インプラントを必要とした。 - 本研究は非侵襲的な頭皮上EEGのみで、自発歩行速度を高精度（相関0.88）かつ連続的にデコード可能とした点が新しい。 - また、セッション間の汎化や皮質状態の時間的広がり（未来・過去最大1000 ms）を示した点も先行研究にない知見。

- 非運動型トレッドミル上で頭部固定したラットから、32電極の頭皮上EEG（0.01–45 Hz）を記録。 - 非同期BCIとして、EEGストリームから瞬時速度を連続デコードするrecurrent neural networksを訓練。 - 133時間超の記録データセットを使用し、EEG活動をトレッドミル速度にマッピング。 - デコーダの寄与を解析し、visual cortex電極と低周波（<8 Hz）振動が主要因であることを特定。 - 単一セッションでの事前学習により、同一ラットの他セッションへのデコーダ転移を検証。 - 皮質状態が現在・未来・過去の速度ダイナミクスを最大1000 ms先まで含むことを解析。

- 133時間超の記録データセットで訓練・評価し、速度デコードの相関0.88（R²=0.78）を達成。 - 寄与電極・周波数帯の解析により、visual cortexと低周波（<8 Hz）が主駆動であることを確認。 - 単一セッションで事前学習したデコーダが同一ラットの他セッションでデコード可能か検証し、セッション間汎化を確認。 - 動物間転移の失敗も確認し、個体差の存在を示した。 - 皮質状態が未来・過去の速度ダイナミクスを最大1000 ms先まで保持することを時間的解析で検証。

- 非侵襲的EEGで自発歩行速度を高精度・連続デコードできることを示し、高性能BCI開発の枠組みを提供。 - セッション間では汎化するが動物間では転移しないため、個体差や電極配置の影響が議論の余地。 - 皮質状態が未来・過去のダイナミクスを最大1000 ms先まで含むことは、行動ダイナミクスの分散表現理解に寄与。 - ただし、要旨からは具体的な限界や今後の課題についての詳細は不明。

- 要旨で参照/比較されている研究は明示されていないが、関連手法としてmotorized treadmill上での歩行キネマティクスデコードや頭蓋内インプラントを用いたBCI研究が挙げられる。 - 同分野の定番として、非侵襲EEGを用いた運動デコーディングやrecurrent neural networksによる時系列デコーディングの論文を読むと良い。