神经动态系统开山之作（附jPCA说明）

Neural population dynamics during reaching

Nature全文
Mark M. Churchland1,2,3*, John P. Cunningham4,5*, Matthew T. Kaufman2,3, Justin D. Foster2, Paul Nuyujukian6,7, Stephen I. Ryu2,8 & Krishna V. Shenoy2,3,6,9

1. Columbia University
2. Stanford University

一、摘要

之前的神经科学研究，基本都认为神经电信号与运动参数（包括肌肉活动或者运动学参数）是表征关系（可以类比线性对应等函数关系）。但是，实际上即使单个神经元的活动也是多样的，而且已经有很多证据表明有些神经活动与运动参数之间并不存在表征对应。这篇文章，作者发现了神经元活动的节律活动，（本文分析的是preparation期间的神经活动）。当然，此博客标题取的有点问题，因为真正在神经动力学方面的文章早就有了，而且本文的作者在2010年也发表过类似工作的neuron（Ref. 15），这篇nature的工作更全面细致而已。

二、方法

（1）jPCA

由于传统PCA方法并不能关于动态结构的维度，作者开发了一种叫“jPCA”的方法。在本文中jPCA用于PCA得到的top six PCs：
Application of jPCA results in six jPCs: an orthonormal basis that spans exactly the same space as the first six PCs (Supplementary Movie 2). The first two jPCs capture the strongest rotational tendency in the data. The jPC projections are simply linear projections of response patterns that are strongly present in the data; if a given pattern is not present in the top six PCs it cannot be present in the jPCs.

（2）大量实验数据

由于旋转结构仅持续1~1.5圈，导致其很容易就被淹没（忽视），所以必须要大量实验trial来进行叠加得到。本文每个neuron用了810个trial来叠加，数据以movement onset对齐。

（3）rotation并不是存在所有信号中（例如EMG）

虽然肌电信号也是多相位的，类似于脑电信号，但是却并不存在rotation。
In sum, rotations in state space require more than multiphasic responses: they require a pair of multiphasic patterns with phases consistently ,90u apart.

（4）肌电信号的生成

本文肌电信号的生成也是个技术，可以学习一下，之后很多这方面的文章用到了。

三、jPCA的详细过程

首先，jPCA的目标是为了找到群体活动中的旋转结构，那么先PCA降维得到群体活动，从n*ct的数据得到6*ct的数据。然后根据旋转结构的意思，就是要找到6*c(t-1)维度的数据${\dot{X}}_{red}$，这个数据代表相邻两数据点间的差分。
$${\dot{X}}_{red}=M{X}_{red}$$

$${\dot{X}}_{red}=M_{skew}{X}_{red}$$

（这里有个骚操作，就是为了保持维度一致，把$X_{red}$的维度中最后一个数据点给删掉，使其也变成6*c(t-1)维度，不影响实际结果。）

jPCA的过程就是一个线性回归的过程，通过实验得到的data来寻找$M_{skew}$，得到的特征向量（例如V1，V2，最大的两个，原则上可以有6个，因为jPCA和PCA其实共同张开了相同的空间维度）有虚数，导致整体是个复数，所以具备旋转属性。然后，根据复数的特点，
jPC1 = V1+V2.
jPC2 = V1-V2.
就把虚数部分消除了，然后得到了旋转结构最大的坐标平面（正交的特征向量）。注意，旋转结构最明显，并不代表data降维到jPC1和jPC2组成的平面保持的方差最大，具体保持了多少方差，可以由方差的定义公式直接计算。本文中有个数据集里得到的jPC1和jPC2只保持了28%的数据信息，而jPC2和jPC3组成的坐标平面却保持了29%的数据信息。
*实现code：jPCA for Neural Data Analysis in Python*