Neural kodning er transformation af miljøsignaler og indre kropssignaler til repræsentationer af disse signaler i form af neuronaktivitetsmønstre for at skabe en model af virkeligheden for at tilpasse og udføre målrettede handlinger, opretholde kroppens integritet og normale funktion.
Da dannelsen af en model for virkeligheden og kontrol af kroppen på dens basis er nervesystemets hovedopgave , kan afkodningen af den neurale kode kaldes et centralt emne i neurovidenskaben . Hvis vi opnår en forståelse af essensen af den neurale kode, vil det indre bevidsthedsarbejde i normale og patologiske afvigelser blive tilgængeligt for os. Løsningen af dette problem er måske den vigtigste retning i humanvidenskaberne, da forløbet af alle livsprocesser i vores krop afhænger af hjernens arbejde.
Hjernen er den højeste præstation i udviklingen af naturlige informationsteknologier med hensyn til hastighed og effektivitet. Det følger af dette, at af alle kodningsskemaer er den mest sandsynlige kandidat til en neural kode den, der producerer information (kodemønstre) mest effektivt.
Alle moderne modeller betragter aktionspotentialet (spike) af en neuron som et grundlæggende element i hjernens sprog. Spørgsmålet om tilgang til dette fænomen er imidlertid grundlæggende. Selvom reelle aktionspotentialer er kontinuerlige oscillerende processer og adskiller sig i periode, amplitude og form af faseportrættet, behandler førende modeller dem som identiske diskrete begivenheder.
Sådanne teorier kan opdeles i to klasser: gennemsnitlig spidshastighedskodning og tidsmæssig kodning. De formulerer spørgsmålet som følger: enten er informationen indeholdt i antallet af spidser i et bestemt tidsvindue eller i deres nøjagtige placering på tidsaksen. Under alle omstændigheder er de alle forskellige versioner af spidstogtælling .
Nogle af disse modeller modsiger hjernens faktiske effektivitet og hastighed. Nogle dækker kun en del af de observerede fænomener og kan ikke forklare andre. Disse modeller har eksisteret i årtier, men har ikke ført til afkodning af den neurale kode. Måske er årsagen den forkerte tilgang til essensen af processen med neural kodning. For nylig er der dukket modeller op, der besvarer spørgsmål, der er uløselige inden for rammerne af paradigmer, der behandler neuronhandlingspotentialer som identiske spidser.
Standardtilgangen til at studere den neurale kode er at lede efter en forbindelse mellem det indkommende signal og neuronernes reaktion, såvel som den omvendte proces med at genvinde signalet fra den observerede aktivitet af neuroner. Men uden en model af selve koden er en sådan analyse som at prøve at læse eller skrive en tekst uden at kende grammatikken. Der er en slags ond cirkel, når man skal kende den for at læse koden, og for at kunne genkende den, skal man læse den.
Men enhver proces med at dechifrere en ukendt kode er baseret på søgningen efter bestemte mønstre og identificere deres forbindelse med den kodede meddelelse. Med andre ord, for at læse den neurale kode, skal du finde en overensstemmelse mellem mønstrene af signalparametre og mønstrene for neuronaktivitet.
Ethvert medium signal er en oscillerende energiproces med en vis amplitude , frekvens og faseudvikling i tid. Disse er de to vigtigste signalmåleakser: rumlig og tidsmæssig. Følgelig skal den neurale kode også have rumlige og tidsmæssige karakteristika, der skaber en model af det kodede signal.
Efterhånden som du bevæger dig langs hierarkiet af nervesystemets teknologiske kæde fra sensorer i periferien til de integrerende strukturer i hjernebarken, er neuronernes aktivitet mindre og mindre forbundet med det oprindelige signal. Dette er en naturlig proces, da neuroner ikke reflekterer signaler, men koder dem, det vil sige, de skaber repræsentationer. Bevidsthed er ikke et spejl af virkeligheden, men en simulation af virkeligheden. Repræsentationen bør dog stadig indeholde alle de samme parametre, måleakser. Således skal den neurale kode simpelthen være en kompleks flerdimensionel struktur. Samtidig bør informationsmætning kombineres med effektivitet og hurtighed.
Afspejler disse krav de foreslåede kodningsmodeller? Dette spørgsmål bør være en "lakmustest" til at teste deres egnethed til reelle processer i nervesystemet.
Aktionspotentialgenereringshastighedskodning er en hypotese, der antyder, at information om signalet er indeholdt i neurons affyringsfrekvens. Det dukkede op efter eksperimenter af Adrian og Zotterman i 1926. [1] I dette simple eksperiment blev der hængt forskellige vægte fra musklerne. Efterhånden som vægten steg, steg antallet af impulser fra neuronerne, der innerverer musklen. Forfatterne konkluderede, at aktionspotentialer er diskrete hændelser, og at deres frekvens snarere end individuelle parametre er grundlaget for neural kommunikation.
Idéen var attraktiv i sin enkelhed. På trods af den tekniske kompleksitet ved at registrere spidser var dette en gennemførlig opgave selv på niveau med kapaciteten af udstyret i det sidste århundrede. Men den tilsyneladende enkelhed er vildledende, da der opstår mange spørgsmål.
Selv på niveau med periferien (sensorer og effektorer) øges excitationsfrekvensen som regel ikke-lineært med stigende stimulusintensitet. [2] Der er ingen direkte sammenhæng mellem spidshastighed og signal. Derudover varierer rækkefølgen af aktionspotentialer fra forsøg til forsøg. Derfor bruges forskellige vilkårlige gennemsnitsalgoritmer til at bestemme hastigheden. Begrebet "skydningshastighed" har i sig selv flere forskellige definitioner, der refererer til forskellige gennemsnitsprocedurer, såsom gennemsnitsværdien over tid eller gennemsnitsværdien over flere gentagelser af eksperimentet. Selvom vi forbliver tro mod ideen om koden som en gennemsnitshastighed, svarer de anvendte gennemsnitsmetoder måske slet ikke til den algoritme, som neuronerne selv bruger.
Der er endnu et problem. Hvis vi vil beregne et gennemsnit af noget, skal vi kende det tidsinterval, som vi tager et sæt prøver for at beregne. Hvis vi analyserer et signal, der gentager sig med streng periodicitet, vil det ikke være svært for os at bestemme tidspunktet for dets periode og beregne gennemsnitsværdien. Men sådan et periodisk signal kan ikke skabe information. Ikke overraskende viser neuroner ikke en sådan monotoni i deres pigge.
Men hvis ændringen ikke er strengt periodisk, bliver valget af gennemsnitsvinduet afgørende. Gennemsnitsgrundlaget bestemmer det endelige resultat. Selvom vi accepterer hypotesen om, at neuroner producerer kode med en gennemsnitlig ildhastighed, må vi forstå, at neuroner vil beregne dette gennemsnit i forhold til længden af den cyklus, de kender. Men så skal vi definere dette beat. Eksperimentører måler dog antallet af spidser i forhold til vilkårligt valgte tidsvinduer. Typiske værdier er T = 100ms eller T = 500ms, men varigheden kan også være længere eller kortere. [3] Hovedkravet er, at der skal forekomme mindst et par spidser i tidsvinduet for at opnå gennemsnitsværdier.
En ond cirkel opstår: Vi ved ikke, om koden virkelig er sådan, og vi ved ikke, hvordan vi skal bekræfte eller afkræfte den, fordi vi ikke kender systemets cyklus. Som et resultat kan vi uendeligt vilkårligt gennemsnit, men dette vil ikke fungere.
Men der er et andet problem, som er indeholdt i selve ideen om sådan en kode. Kan en kode bestående af identiske spidser give den observerede informationsrigdom, hastighed og effektivitet i nervesystemet? Svaret på dette spørgsmål, desværre for tilhængere af et sådant paradigme, er negativt. Sådan en kode kan kaldes en tempokode. Tempovariationen bærer imidlertid ikke nok information til at repræsentere et komplekst multiparametersignal. Derudover er der et dilemma: hvordan man koder et hurtigt signal, hvis du skal akkumulere nok spidser til at få et gennemsnit og udtrække enhver information fra denne variabel.
Dynamikken i et stort antal miljøsignaler måles i millisekunder, og i løbet af disse millisekunder kan neuroner kun skyde én eller to gange. Med så mange spidser er det umuligt at indkode signalet med deres gennemsnitlige hastighed. Men der er også hurtigere signaler. For eksempel er en flagermus i stand til ekkolokalisering med mikrosekundsopløsning. [4] Således er tidsvinduet for signalmåling inden for en spids. Dette er fuldstændig i modstrid med gennemsnitshastighedsparadigmet.
En sådan kode er ineffektiv i alle henseender. Det er ikke særlig informativt og for langsomt. Det kræver oprettelse af mange spidser at kode simple parametre, det vil sige, at det er energimæssigt meget dyrt. Derfor svarer det ikke til virkeligheden om, hvordan hjernen fungerer. Denne model er dog stadig meget brugt, ikke kun i eksperimenter, men også i modeller af neurale netværk. Som følge heraf er der i løbet af de sidste årtier akkumuleret en enorm mængde data, men det bringer os ikke tættere på, hvordan man dechifrerer betydningen af koden.
Tidsmæssig kodeDen næste kandidat er en kodning, hvor informationen er indeholdt i den nøjagtige placering af spidserne og inter-spike-intervallerne på tidsaksen. Da denne model igen behandler aktionspotentialer som de samme diskrete hændelser, kan denne version af koden kaldes en 1-0 rytme. Temporal kodning tillader sekvensen 000111000111 at betyde noget andet end 001100110011, selvom den gennemsnitlige affyringshastighed for begge sekvenser er det samme. En sådan model var den næste åbenlyse idé og et alternativ til den ineffektive og langsomme variant af mellemhastighedskoden. [5] [6] [7] [8] [9] [10] [11]
Antagelsen om, at den neurale kode er binær snarere end blot spidser, øger kodens kapacitet i høj grad og tilføjer troværdighed til modellen. Men det samme spørgsmål opstår om at korrelere kodens informationskapacitet og hjernens faktiske hastighed, som formår at kode et komplekst multiparametersignal inden for en eller to spidser. Hjernen har ikke tid til at bygge en lang binær kæde, der kunne indeholde al information. Herved adskiller det sig fundamentalt fra kunstige digitale systemer. På trods af al den enorme hastighed af deres processorer, som er størrelsesordener højere end hjernens frekvenser , kan de ikke sammenlignes med den i ydeevne, hastighed og energieffektivitet. Problemet er, at de skal håndtere lange binære koder .
Derudover opstår spørgsmålet om systemets takt igen. To kodenuller er en pause dobbelt så lang som et nul. Men hvordan kan vi bestemme, at interspike-pausen betyder to nuller eller et, hvis vi ikke kender tidsskalaen for det undersøgte system? At måle en pause ved et eksternt ur giver os en masse data, men det siger ikke noget om, hvor mange nuller der er i den pågældende pause, og hvordan man relaterer dem til spike-enheder. Med andre ord kan vi ikke afgøre, om neuronaktivitet betyder 0001 eller 001.
For en rigtig kvalitativ analyse er det nødvendigt at normalisere systemdataene efter dets egen tid, efter dets frekvenser. Så kan vi udtrykke vores analyse i enhver måleenhed. At finde denne fundamentale frekvens som grundlag for normalisering er sandsynligvis af største betydning, når man forsøger at dechifrere hjernekoden, uanset hvilken kodemodel vi tester, da tidsparameteren under alle omstændigheder forbliver.
Nogle forskere mener, at der både er et tempo og en tidskode, og der er oversætterneuroner mellem disse koder. [12] Denne idé forener naturligvis de to begreber, men løser ikke de problemer, der ligger i begge.
Spike fase-kodningDenne version af koden har til formål at bryde dødvande fra tidligere modeller. Hun viser, at tællespidser kræver binding til et bestemt tidsstempel og foreslår en søgning efter en sådan referenceramme i hjernefrekvenser. [13] [14]
Eksperimenter viser, at neuroner koder for miljøsignaler, hvilket korrelerer aktiveringstiden med fasen af de aktuelle svingninger i det neurale netværk. [15] Der dannes således en bestemt sekvens af spidser, korreleret med netværkets generelle tidsskala. Det grundlæggende punkt er definitionen af bærefrekvensen, som med tillid kunne kaldes referencesystemet.
Forskerne betragter en sådan model som en tilføjelse til brandhastigheden. [16] De fortsætter med at betragte spidser som identiske impulser og ser kun information i det rytmiske mønster af neuronaktivering.
BefolkningskodeDer er versioner af koden, der siger, at aktiviteten af individuelle neuroner ikke indeholder nogen information, og meningen skal søges i mønstrene for kombineret aktivitet. I sådanne modeller anses neuroner for at skyde i en tilfældig rækkefølge med en Poisson-fordeling, og et sådant kaos skaber orden i form af en befolkningskode. [17] Samtidig siger modellen ikke noget om funktionsmekanismen og reglerne for en sådan kode.
Fine målemetoder ved hjælp af implanterede elektroder og en detaljeret undersøgelse af den tidsmæssige struktur af selve spidserne og interspike-intervaller viser, at den ikke har karakter af en Poisson-fordeling, og hver af stimulus-attributterne ændrer ikke kun det absolutte antal spidser, men også deres tidsmæssige mønster. [18] På trods af den enorme variation i neuronal aktivitet, er spidssekvenser meget nøjagtige. Denne nøjagtighed er nødvendig for transmission af information ved hjælp af en højopløsningskode. Den tilsyneladende tilfældige aktivering kommer fra en misforståelse af essensen af koden.
En sådan model kan kaldes en reaktion på, at årtiers forsøg på at dechifrere den neurale kode ved at tælle spidser og søge efter mening i hastigheden eller den tidsmæssige struktur af deres sekvenser ikke har ført til et resultat.
I det hele taget indikerer befolkningsversionen af koden med rette, at signalrepræsentationer er resultatet af mange neuroners aktivitet. Hver neuron indtager sin plads i processen med at danne betydninger og har en specialisering som et filter til transformation af visse signalparametre. Spørgsmålet opstår imidlertid om, hvordan aktivitetsmønstrene for hver neuron kombineres til en fælles signalrepræsentation med alle parametre, og hvordan repræsentationerne af individuelle signaler smelter sammen til en enkelt og sammenhængende model af virkeligheden, samtidig med at deres individualitet bevares. I neurovidenskab kaldes dette for "forbindelsesproblemet" (eng - binding problem ).
Nogle befolkningskodemodeller beskriver denne proces matematisk som summen af vektorerne af alle neuroner, der er involveret i kodningen af et givet signal. Vektorkodning er et eksempel på simpel gennemsnitsberegning. Der er mere komplekse matematiske modeller, der bruger begreberne sandsynlighedsteori. [19] [20] Et almindeligt problem ved sådanne modeller er imidlertid manglen på en forklaring på den fysiske mekanisme, der kunne implementere den observerede enhed af den virkelighedsmodel, som hjernen har skabt, samtidig med at signalrepræsentationernes individualitet bevares.
KorrelationskodningDenne kodningsmodel siger, at korrelationer mellem aktionspotentialer i en spidskæde kan bære yderligere information ud over den blotte timing af spidser. For eksempel viser eksperimenter, at et lydsignal med en bestemt frekvens forårsager en stigning i antallet af korrelerede spidser i den auditive cortex og ikke påvirker den gennemsnitlige spidsfrekvens. [21] Det er klart, at forholdet mellem aktionspotentialer og hinanden bærer information i den overordnede kodningsproces. Denne idé kan kaldes en bevægelse fra den gennemsnitlige hastighedskode til en mere passende model, som taler om informationsmætningen af de rumlige og tidsmæssige mønstre af neuronaktivitet. Det kan dog ikke kaldes en uafhængig og dannet model af den neurale kode.
Kode sparsomhedBegrebet neural kode sparsomhed kan henvise til sparsomhed i tid eller til sparsomheden af en aktiv population af neuroner. Dette kan dog ikke kaldes en kodemodel, da det blot er et udsagn om, at "neuroner har en tendens til at være sparsomme, både i betydningen et lille antal aktive neuroner på et bestemt tidspunkt, og i den forstand, at en individuel neuron kan skyde ret sjældent i en vis tid." [22]
Kodende sparsitet er eksperimentelt blevet observeret i mange systemer, herunder syn [23] , hørelse [24] , berøring [25] og lugt. [26] Dette faktum understreger endnu en gang utilstrækkeligheden af gennemsnitshastighedsmodellen, da det indebærer behovet for et stort antal spidser for at opnå selv et lille informationssæt.
Hvilke opgaver har neuroner med at behandle signaler fra det ydre og indre miljø? For det første skal neuroner producere informationseffektiv kode. For det andet skal neuroner skabe en energieffektiv kode. Disse krav fører til kodespindighed i betydningen et lille antal elementer i et hurtigt tidsvindue og et lille sæt grundlæggende kodeelementer, der kan kode kompleks information med deres kombinationer. Heraf følger konklusionen, at hvert element skal være informationsrigt. Med andre ord skal den neurale kode kombinere sparsitet og mætning. Disse er ikke gensidigt udelukkende, men komplementære krav.
Resumé af neurale spidsmodellerSpørgsmålet opstår: kan en neuronspids være informationsmættet, hvis det er en diskret begivenhed, der ikke har nogen interne karakteristika? I denne formulering bliver spørgsmålet retorisk og svaret på det er naturligvis negativt. Desværre er alle ovenstående modeller baseret på den antagelse, at neuronernes aktionspotentialer er de samme. Men det næste spørgsmål melder sig: er det virkelig sådan? Desuden opstår spørgsmålet: er aktionspotentialer spikes?
Standardbilledet af neuronaktivitet ligner spidser lagt ud med forskellige tætheder langs tidsaksen:
Måske er handlingspotentialer virkelig sådan lige stokke? Ikke rigtig. Så de er forenklet i undersøgelser for at gøre dem praktiske for modellen. Men det er ikke første og formentlig ikke sidste gang i videnskaben, hvor virkeligheden er tilpasset teorien, og modellen ændres ikke, når den modsiger virkeligheden.
"Spikes tilføjes i hånden af æstetiske formål og for at narre læseren til at tro, at neuronen producerer en spike... Alle spikes antages at være ens i størrelse og varighed... På trods af alle dens mangler er den integrerede- skydemodel er et acceptabelt offer for matematikeren, som ønsker at bevise sætninger og udlede analytiske formler. Men sådan en model kan simpelthen være spild af tid.” [27]
Faktisk er der gennem årtierne blevet skrevet hundredtusindvis af videnskabelige publikationer inden for rammerne af denne tilgang, og hundredvis af teorier og modeller af den neurale kode baseret på idealisering og tegning af identiske pigge er blevet skabt. Måske er dette faktisk spild af tid, fordi sådanne modeller ikke svarer til virkeligheden og fører til uløselige blindgyder.
For at forstå, om dette billede afspejler virkeligheden eller ej, må vi vende os til det tidsmæssige niveau af selve neuronen. Hvis du øger opløsningen langs tidsaksen, vil du se, at neuronerne ikke skyder skarpe pigge, men vibrerer i bløde bølger.
Efter årtier med at se på diskrete enheder, hvor der virkelig er bølger, vender vi tilbage til spørgsmålet igen: "Hvad er strukturen af den neurale kode, der tillader så høje niveauer af informationsoverførsel? ... Vi har brug for en teori om sådanne beregninger ... Naturen har bygget en computermaskine med forbløffende nøjagtighed og tilpasningsevne ... Historien begyndte mere eller mindre med Hadrians opdagelse af, at pigge er de enheder, som vores opfattelse skal bygges ud fra . Vi kommer til den konklusion, at hver af disse enheder yder et bestemt og målbart bidrag til denne opfattelse. Hver spids, som så ofte er gennemsnittet sammen med sine naboer, fortjener mere respekt." [28]
Den symfoniske neurale kode hypotese antyder, at den neurale kode ikke er digital, men analog-til-digital. [29] Dette betyder, at neurons aktivitet indeholder parametrene for hvert aktionspotentiale som en analog (bølge) komponent af spidsen, som også er en diskret enhed af koden.
Denne teori bruger en analogi med en musikalsk kode (musikalsk notation). I denne forstand er hvert neurons handlingspotentiale en tone af hjernemusik, dvs. har individuelle karakteristika for bølgeformen (periode, amplitude, faseportræt). Individuelle toner udgør et aktivitetsmønster for en given neuron med en klar rumlig-tidsmæssig organisation, der gør det muligt at integrere sig i hjernens generelle musik med dens melodier (frekvensmønster), rytmer (fasemønster) og harmonier (samtidig eksistens af hjernen). forskellige mønstre). Informationsmætningen af hver tone (aktionspotentiale) og hver pause (hvilepotentiale) er meget høj. Således kan kompleks information være indeholdt i en kæde af meget få spike/pause-sekvenser, og endda inden for en enkelt spike. Takket være dette har hele systemet som helhed en enorm processorkraft, effektivitet og hastighed.
På en måde kombinerer denne model mange tidligere hypoteser. Det viser, at hastigheden af spidsgenerering finder sted i kodens overordnede struktur. Men som i musik har tempo ingen selvstændig betydning. Modellen understreger vigtigheden af den tidsmæssige (rytmiske) struktur, som bærer en stor informationsbelastning. Dette er naturligvis en faseindkodningsmodel, da aktiverings-/deaktiveringsdynamikken og den interne struktur af faseportrættet af hvert aktionspotentiale gør det muligt at indkode signaler selv i faseforskydningstidsvinduet inden for en aktiveringscyklus. Dette er en befolkningskodemodel, der ikke ser neuroner som tankeløse eller støjende komponenter i et system, der på en magisk måde skaber orden ud af kaos, men som medlemmer af et hjerneorkester bestående af milliarder af musikere, der spiller en samlet symfoni, hvor hver del har sin egen betydning. . Dette er naturligvis en korrelationskodning, da hver batch er placeret i sammenhæng med hele strukturen. Dette er også en sparsom kodemodel, da en symfoni kan bestå af potentielt uendelige kombinationer af et lille sæt grundtoner (kodeelementer), og et lille antal musikere (neuroner) kan være med til at skabe en kompleks kombination. Samtidig er dette en rig kodningsmodel, da hver seddel har en høj informationsbelastning.
Brugen af musikalsk terminologi er ikke en metafor, men en fysisk analogi. Fysikken i den neurale kodningsproces er baseret på vibrations- og bølgefænomener, ligesom skabelsen af de lyde, vi kalder musik. Det kardinale paradigmeskifte er, at neuronen ikke betragtes som en producent af identiske skud, men som en oscillator med et komplekst faseportræt. En sådan model hylder hvert handlingspotentiale. Al fin logistik af organisation og kinetik af processer på det intracellulære og intercellulære niveau er beregnet til at skabe parametrene for neuron oscillationer. Modellen giver en detaljeret fysisk, matematisk og teknologisk beskrivelse af processen med neural kodning, som forklarer hjernens informationsmæssige, tidsmæssige og energimæssige effektivitet.
Desuden giver tilgangen til kodningsprocessen med hensyn til interaktionen mellem oscillatorer med forskellige parametre os mulighed for at tage et helt andet kig på forbindelsesproblemet og vise den virkelige fysiske mekanisme for frekvens- og fasekobling, som skaber en enkelt bevidsthedssymfoni som en harmonisk struktur, samtidig med at hver repræsentations individuelle karakteristika bevares. [30] En sådan model giver os også mulighed for at se patologier, der i øjeblikket anses for at være mystiske "psykiske lidelser" (såsom autisme og skizofreni ) som specifikke svækkelser i kodning af verdenssignaler og skabelse af en adaptiv model af virkeligheden. [31]
Vi skal respektere individuelle handlingspotentialer og alle de subtile dynamikker i de spatiotemporale mønstre af neural aktivitet, som er kernen i kodningsprocessen. På den ene side tager den os ud af labyrintens endeløse vandringer og giver os " Ariadnes tråd " til at komme ud i lyset. På den anden side har dette implikationer, der ikke er trivielle af to grunde. For det første går det imod de gængse teorier og kræver et paradigmeskifte, hvilket ikke er let. For det andet øges rummet af beskrivelsesparametre kraftigt. "Det er tydeligvis ikke muligt at springe fra spidstal til 'fuld' analyse." [28] Forskere er ikke klar til at "springe". Det er meget mere bekvemt at forblive i den normale spidstælletilstand, der har været i brug i næsten hundrede år.
At sige, at det var spild af tid, er forkert, for i videnskabelig forskning betyder ethvert resultat, også negativt. At dechifrere enhver kode er en lang vej med blindgyder. Men den eneste udvej er at indse, at dette er en blindgyde og ændre ruten. På den ene eller anden måde er der undervejs udviklet mange teknologier til at studere hjernen. Traditionelle værktøjer (f.eks. EEG , MEG , fMRI ) er ikke egnede til at dechifrere koden, fordi de i øjeblikket ikke har den nødvendige spatiotemporale opløsning og ikke måler neuronal aktivitet direkte. Andre teknologier (f.eks. mikroelektrodearrays , lokal potentiel fastspændingsmetode ) er bedre egnet til denne opgave, men har deres ulemper. Nogle nye teknologier, såsom optogenetik , gør det muligt at måle og endda kontrollere aktiviteten af individuelle neuroner. [32] [33]
Et længe ventet paradigmeskift har komplekse konceptuelle og teknologiske implikationer for eksperimentel forskning. Den neurale kode viste sig ikke at være så simpel, som vi troede, fordi den verden, den koder, ikke er enkel. Hjernen er kompleks, men det betyder, at den kan analysere sig selv. Vores sind er i stand til at tyde sin egen kode. For at gøre dette skal han skabe den korrekte model, der viser vejen ud af "labyrinten". Hvis der sker et konceptuelt gennembrud, vil teknologien følge efter.
At dechifrere den neurale kode er en storstilet opgave i dens kompleksitet og betydning. Det er svært at overvurdere udsigterne til, at evnen til at læse og skrive neural kode vil åbne for os. De vedrører ikke kun behandling af psykiske og neurologiske lidelser, men af alle kroppens sygdomme, lige fra de tre vigtigste (kardiovaskulær, kræft og diabetes) til mindre alvorlige, men som stadig påvirker livskvaliteten. Det vil også åbne et nyt perspektiv for udviklingen af kunstig intelligens- teknologier og deres integration med naturlige hjerneteknologier.