Décodage des mouvements oculaires de suivi continu à partir de l'activité de décharge corticale

Les mouvements oculaires sont le principal moyen par lequel les primates interagissent avec le monde. Comprendre comment le cerveau contrôle les yeux est donc crucial pour améliorer la santé humaine et concevoir des dispositifs de réhabilitation visuelle. Cependant, l'activité cérébrale est difficile à décoder. Ici, nous avons tiré parti des algorithmes d'apprentissage automatique pour reconstruire les mouvements oculaires de suivi à partir d'enregistrements neuronaux haute résolution. Nous avons découvert que la position oculaire continue pouvait être décodée avec une grande précision en utilisant des données de décharge provenant de seulement quelques dizaines de neurones corticaux. Nous avons testé huit décodeurs et constaté que les modèles de réseau neural offraient la plus grande précision de décodage. Des modèles plus simples ont bien performé au-dessus du hasard avec une réduction substantielle du temps d'entraînement. Nous avons mesuré l'impact de la quantité de données (par exemple, le nombre de neurones) et du format de données (par exemple, la largeur de la fenêtre) sur le temps d'entraînement, le temps d'inférence et la généralisabilité. Entraînant des modèles avec plus de données d'entrée, la performance s'est améliorée, comme prévu, mais le format de la sortie comportementale était essentiel pour mettre en avant ou omettre des événements oculomoteurs spécifiques. Nos résultats fournissent la première démonstration, à notre connaissance, de mouvements oculaires décodés en continu à travers un large champ de vision. Notre enquête complète sur le pouvoir prédictif et l'efficacité computationnelle pour des architectures de décodeurs communes fournit une base très nécessaire pour les travaux futurs sur des dispositifs de suivi du regard en temps réel.