神经工程中的一个基本挑战是确定对感觉系统的适当人工输入，以产生所需的感知。在神经假体中，这一过程被称为人工感觉编码，它在修复装置恢复残疾人的感觉知觉中起着至关重要的作用。例如，在视觉假体中，人工图像编码的一个关键方面是将摄像机捕获的图像下采样到与假体的输入数量和分辨率匹配的大小。

洛桑联邦理工学院Diego Ghezzi等发现与无学习下采样方法相比，使用视网膜网络的固有计算对图像进行下采样会产生更好的性能。

本文要点：

（1）

作者验证了一种基于学习的方法，该方法利用了在移植的小鼠视网膜中测量的从光感受器到视网膜神经节细胞的信号转换。框架生成下采样图像，与无学习方法生成的图像相比，该图像以更高的神经元可靠性在计算机上和体外引发神经元响应。在学习过程中，演员网络学习优化对比度和内核的权重。

（2）

这种方法可能会指导未来视觉假体的人工图像编码策略。最终，这个框架可以应用于其他感觉假体的编码策略，如耳蜗或肢体。

参考文献:

Leong, F., Rahmani, B., Psaltis, D. et al. An actor-model framework for visual sensory encoding. Nat Commun 15, 808 (2024).

DOI: 10.1038/s41467-024-45105-5

https://doi.org/10.1038/s41467-024-45105-5