PsyBrain 脑心前沿 / 脑机接口：当神经科学与机器相连 / A · 专题深度 / A019 · PNAS给小鼠一条人工感觉通道：它能把皮层刺激当作导航信

A019 PNAS | 给小鼠一条人工感觉通道：它能把皮层刺激当作导航信号使用

来源：公众号 PSY-Brain_Frontier ｜发布：2026-03-07 ｜原文链接

PsyBrain 脑心前沿 | 公众号 PSY-Brain_Frontier

一键关注，点亮星标 ⭐️

第一时间接收每日前沿资讯

认知神经科学前沿文献分享

基本信息：

Title:Integration of learned artificial sensation with vision during freely moving navigation

发表时间：2026.2.27

Journal: PNAS

影响因子：9.1

获取原文：

*添加小助手:*PSY-Brain-Frontier即可获取PDF版本
点击页面底部“阅读原文”即可跳转论文原网页

引言

在真实世界里，动作从来不是“看见就够了”。我们伸手拿杯子、走路避障、甚至只是把钥匙插进锁孔，都会同时依赖视觉与本体感觉（proprioception）——前者告诉我们“目标在哪”，后者让我们知道“身体现在在哪、往哪动”。但对截肢者或使用脑机接口（brain–computer interface, BCI）的人来说，视觉往往是唯一稳定的反馈来源：他们能看到假肢，却很难“感觉到”假肢的位置、速度与受力。缺失这条内部反馈链路，会让控制变得费力、缓慢，也更难做到精细操作。

一种被寄予厚望的补偿方式是皮层内微刺激（intracortical microstimulation, ICMS）：在大脑皮层用微电流激发神经活动，诱发可被感知的“人工感觉”。传统思路倾向于“仿生”——尽量让刺激引起的神经活动接近天然感觉的神经编码。但现实是，神经编码复杂且状态依赖明显，电极数量有限，想精准复刻天然模式既计算昂贵也难以规模化。于是，这篇论文提出一个更工程化、也更贴近学习机制的路线：不去复刻某种特定神经放电图样，而是直接把行为所需的信息（例如方向、距离）编码进ICMS，让大脑通过训练学会“读懂”它，并进一步检验这种人工信号能否与天然视觉发生真正的多感觉整合（multisensory integration）。

实验设计与方法逻辑

作者在小鼠初级躯体感觉皮层（primary somatosensory cortex, S1）植入16通道微丝电极阵列，让自由移动的小鼠在定制场地中寻找随机出现的地面目标。目标相对小鼠头部的方向角（θ）与距离（δ）被编码为多通道ICMS的时空刺激模式：不同电极具有不同“偏好方向”，用相对刺激频率表示方向；同时把电极分为“近端/远端”两组，用频率随距离增减的方式携带距离信息。实验从训练阶段就提供视觉+ICMS的多模态提示，达到熟练后再插入ICMS-only、视觉-only与sham探测试次，并用轨迹效率、到达时间等指标评估是否发生整合与依赖关系。

核心发现

把“方向+距离”塞进一组可学习的ICMS编码，构建了自由移动的人工感觉模型

论文的关键技术起点在于Fig.1：作者不让ICMS去“模仿”天然触觉或本体感觉的放电细节，而是把目标的相对方向（θ）和距离（δ）当作需要传递的变量，设计成类似余弦调谐的多电极刺激频率分布。方向由电极阵列环状分配的“偏好方向”来表征，距离则通过近端/远端电极组的整体增益随δ变化来体现。配合实时姿态追踪（60 Hz）与刺激参数更新（10 Hz），这套编码把连续的空间信息变成了大脑可被训练读取的“人工感觉通道”，为后续讨论“能不能学会、能不能整合”提供了可操作的实验平台。

Fig. 1. Encoding artificial sensory information via spatiotemporally patterned electrical microstimulation.

从训练第一天就给多模态信息，小鼠在约千次试次内达到熟练，并表现出整合优势

Fig.2呈现了学习曲线与整合判断的核心证据：小鼠在视觉（地面红色暗目标）+ICMS同时存在的多模态条件下训练，很快把成功率提升到并稳定在熟练阈值（75%）附近；当进入稳定期后，多模态试次的整体表现显著优于任何单一通道（仅视觉或仅ICMS）。作者用这一点回应“整合是否真的发生”的关键疑问：如果只是“两条线并行、谁强用谁”，多模态不一定系统性超越单模态；而现在多模态在成功率与多项轨迹指标上都占优，更符合多感觉信息被合并成更可靠估计的图景（Fig.2A所示的计算框架）。

Fig. 2. Learning to integrate artificial sensation.

仅靠ICMS，小鼠也能把“看不见的目标”找出来，且总体不比视觉差

真正让人意外的是Fig.3：在ICMS-only探测试次中，目标对小鼠“不可见”，但小鼠仍能稳定完成任务，整体成功率与视觉试次相近；更重要的是，作者不仅看“成不成功”，还比较了到达时间、平均速度、路径效率与转向离散度等轨迹质量指标。结果显示，多模态最好；而ICMS与视觉在多项指标上并无显著劣势，提示这种人工信号在自由移动导航中已经足够“可用”，不只是提高活动量从而碰运气（sham表现提供了机会水平的下界）。这为“人工感觉能否在自然行为中提供与视觉同等级的信息量”给出了强证据。

Fig. 3. Movement trajectories guided by visual, artificial, and multimodal sensation.

小鼠主要学会的是“方向”，距离信息更难被读出：轨迹解码与扰动实验给出一致结论

作者进一步追问：ICMS里同时编码了θ与δ，小鼠到底读懂了多少？Fig.4用“子运动”（submovement）分析把单次轨迹拆开，比较运动起点的真实θ/δ与小鼠第一段运动所反映的“估计值”。结果很清楚：方向的线性关系较强（视觉与ICMS的r²都在0.5左右量级），但距离的对应关系很弱（r²明显更低），说明动物更可靠地从ICMS中提取了“往哪转”的信息。Fig.5的扰动实验把这一点钉死：当作者打乱电极的方向映射（shuffled）时，小鼠表现降到接近sham；而削弱或移除距离编码（固定近端/远端频率）却几乎不影响成功率。两类证据相互印证，表明在这套学习式编码下，方向是更“易学、可用”的维度，距离则可能需要更合适的表征方式或更多行为策略配合。

图10

Fig. 4. Estimation of relative target angle and distance from the ICMS signal.

图11

归纳总结和点评

这项研究用自由移动导航范式证明：多通道ICMS不仅能承载多变量信息，还能在相对短的训练规模内被动物学会，并与天然视觉产生可量化的多感觉整合，使行为表现超过任何单一通道。更难得的是，作者用轨迹层面的定量指标与编码扰动实验，清晰地区分了“学会方向”和“难以利用距离”的不对称结果，为后续改进人工本体感觉的编码维度提供了明确靶点。整体而言，这套快速、稳健、可扩展的行为平台非常适合用来迭代神经刺激编码算法，把“能刺激”推进到“能被大脑自然纳入控制回路”。

前沿交流| 欢迎加入认知神经科学前沿交流群！

⭐️[加群链接]

图12