编辑推荐：
在人类精细运动控制研究中，为探究人类运动皮层（MC）如何协调如手写般复杂精细运动，研究人员记录 MC 神经活动，发现其通过稳定神经状态序列编码手写，该成果对理解运动控制神经机制及设计脑机接口意义重大。
在日常生活中，我们轻松写下文字的背后，隐藏着大脑复杂而精妙的运作机制。人类能够熟练地控制精细运动，像书写、打字和演奏乐器等，但这些看似简单的行为，实际上是由一系列复杂的动作组合而成。以书写为例，一个字符可以分解为多个笔画，每个笔画又包含复杂的运动轨迹。然而，人类运动皮层（Motor Cortex，MC）究竟如何协调这些精细运动的，至今仍是一个未解之谜。此前的研究虽然发现神经元对运动特征有一定的调谐，但传统观点认为 MC 仅执行简单运动命令，难以解释复杂运动的编码机制，这就为深入理解精细运动的神经基础带来了挑战。为了揭开这一谜团，浙江大学的研究人员开展了一项极具意义的研究，其成果发表在《Nature Human Behaviour》杂志上。
研究人员运用了多种关键技术方法。首先，他们在一位因车祸导致颈椎损伤的 75 岁右利手男性志愿者的左侧 MC 植入两个 96 通道的犹他微电极阵列，用于记录神经信号。实验过程中，志愿者需在观察虚拟手写汉字的同时尝试手写。研究人员通过对采集到的神经信号进行处理和分析，运用时间功能聚类（Temporal Functional Clustering，TFC）算法来识别稳定状态，并构建状态依赖的神经解码器对运动轨迹进行解码。
下面来看具体的研究结果。
- 书写过程中状态依赖编码的证据：研究人员记录了 20 次实验会话中的 2850 个神经元活动。通过分析发现，一些神经元在书写单个字符时反应可靠，但经典的基于速度的方向调谐模型无法很好地解释神经元对字符的反应。于是，研究人员定义了复杂调谐神经元（R2<0.1且FD≥1.4 ）和简单调谐神经元（R2≥0.1且FD≥1.4 ）。复杂调谐神经元对相同方向的运动在不同字符片段中的反应不同，简单调谐神经元虽对特定方向有反应，但在书写过程中反应增益似乎也受到调制。
- 稳定状态的识别：研究人员假设书写过程可分解为一系列稳定状态，为此开发了 TFC 算法。研究发现，少量状态就能比基线调谐曲线模型更好地预测神经反应，模型编码损失在约 10 个状态时收敛，贝叶斯信息准则也表明最优状态数约为 10。此外，状态信息可从神经群体的激活模式中解码，而非运动学特征，这说明稳定状态反映的是 MC 的特征。每个字符在多次试验中被分解为相似的状态序列，状态转移过程存在可靠模式，且状态序列与特定笔画相关，表明其与书写的抽象意义有关。
- 手写的状态依赖调谐：状态依赖模型比经典方向调谐模型能更好地解释单个神经元的神经反应，无论是简单调谐神经元还是复杂调谐神经元。对于简单调谐神经元，其在不同状态下的调谐具有相似的偏好方向，但调制深度在不同状态间有所变化；对于复杂调谐神经元，其偏好方向在不同状态下变化较大。
- 基于稳定状态的手写解码：研究人员构建了状态依赖的神经解码器来解码运动速度向量并恢复笔画轨迹。与状态独立的神经解码器相比，状态依赖解码器能以更低的均方根误差（RMSE）和更高的R2解码手写内容，且该解码过程可在线实现，使参与者能通过尝试手写控制机械臂写出可识别的汉字。同时，该解码器性能稳定，对新字符也有较好的泛化能力。
在研究结论和讨论部分，研究表明人类 MC 通过一系列稳定状态对复杂书写过程进行编码，涉及简单调谐神经元和复杂调谐神经元。这一发现支持了复杂运动的分层控制方案，即复杂运动轨迹先分解为小的简单片段，再转化为运动速度序列。复杂调谐神经元可能与轨迹片段的编码相关，简单调谐神经元则与运动速度的编码相关。此外，研究还发现状态转换发生在神经群体层面，这与近期关于 MC 中群体层面动力学的研究结果一致。然而，该研究也存在一定的局限性，如仅从一名参与者获取结果，实验中参与者同时观察虚拟手写可能使神经信号包含观察过程的调制，且概念验证仍为开环控制。尽管如此，这项研究为理解精细运动的神经机制提供了新的视角，其提出的状态依赖编码机制对未来用于复杂精细运动的脑机接口（Brain-Computer Interface，BCI）设计具有重要的指导意义，有望推动相关领域的进一步发展。
