摘要
任务驱动型循环神经网络被广泛用于研究神经运动控制中的神经动态，其方式是通过对运动皮层进行建模。人们通常假设这类网络会按照生物神经回路的模式来学习其背后的计算机制。但实际上，大脑网络具有高度结构化且特定的连接方式，而在个体发育过程中，运动皮层通过不断学习身体控制技巧，掌握了多种行为基础能力。鉴于任务驱动型RNN往往是随机初始化的，并且直接针对特定任务进行训练，这类模型能在多大程度上揭示运动皮层的真实情况，仍是一个亟待深入研究的重要问题。在本研究中，我们提出了一种基于单一伸手技能预训练的运动皮层建模方法。具体而言，我们利用一个能够接收感官反馈和任务输入的RNN作为控制器，生成驱动肌肉骨骼手臂模型的运动指令。该模型在针对特定任务进行训练之前，就已经能够在工作空间中任意两点之间沿最小急动轨迹完成伸手动作。与直接针对这些任务训练的模型相比，基于单一伸手任务预训练的模型在神经几何结构和神经动态层面，无论是在中心向外任务还是随机目标触碰任务中，都与真实的神经数据更为相似。令人意外的是，在需要同时处理两个目标的双伸手任务中，我们观察到了相反的模式——并非像随机目标触碰任务那样在完成上一个动作后才呈现下一个目标，这表明连续动作是被作为一个整体来规划的，而这种能力很可能是在运动皮层回路层面实现的。总之，我们的研究结果表明，通过更系统的训练或其他方法，让网络具备超出当前任务需求的能力，有助于更好地理解生物神经回路的动态特性。
