利用多个电极记录神经元活动已被广泛用于了解大脑的功能机制。增加电极的数量使我们能够解码更多种类的功能。然而，由于有限的硬件资源和不可避免的热组织损伤，处理大量的多道电生理数据仍然是具有挑战性的。

在这里，大邱景北科学技术研究所Hongki Kang，Kyong Hwan Jin提出了基于机器学习(ML)的重建高频神经元棘波从下采样的低频频段信号。

文章要点

1）受图像处理中高频恢复和超分辨率的等价性启发，研究人员将变压器ML模型应用于体外培养和在体雄性小鼠脑内记录的神经元数据。即使使用x8下采样数据集，我们训练的模型也合理地估计了尖峰活动的高频信息，包括尖峰定时、波形和网络连接。

2）随着基于ML的数据简化适用于现有的多通道记录硬件，同时实现宽带神经元信号，研究人员希望能够对大脑功能进行更全面的分析和控制。

参考文献

Hong, N., Kim, B., Lee, J. et al. Machine learning-based high-frequency neuronal spike reconstruction from low-frequency and low-sampling-rate recordings. Nat Commun 15, 635 (2024).

https://doi.org/10.1038/s41467-024-44794-2