Abstract Neurons coordinate their activity to produce an astonishing variety of motor behaviors. Our present understanding of motor control has grown rapidly thanks to new methods for recording and analyzing populations of many individual neurons over time. In contrast, current methods for recording the nervous system’s actual motor output – the activation of muscle fibers by motor neurons – typically cannot detect the individual electrical events produced by muscle fibers during natural behaviors and scale poorly across species and muscle groups. Here we present a novel class of electrode devices (“Myomatrix arrays”) that record muscle activity at unprecedented resolution across muscles and behaviors. High-density, flexible electrode arrays allow for stable recordings from the muscle fibers activated by a single motor neuron, called a “motor unit”, during natural behaviors in many species, including mice, rats, primates, songbirds, frogs, and insects. This technology therefore allows the nervous system’s motor output to be monitored in unprecedented detail during complex behaviors across species and muscle morphologies. We anticipate that this technology will allow rapid advances in understanding the neural control of behavior and in identifying pathologies of the motor system.

Volitional limb motor control involves dynamic and static muscle actions. It remains elusive how such distinct actions are controlled through separated or shared neural circuits. Here we explored the potential separation for dynamic and static controls in the primate hand actions, by investigating the neuronal coherence between local 1eld potentials (LFPs) of the spinal cord and the forelimb electromyographic activity (EMGs), and LFPs of the motor cortex and the EMGs during the performance of a precision grip in macaque monkeys. We observed the emergence of beta-range coherence with EMGs at spinal cord and motor cortex in the separated phases; spinal coherence during the grip phase and cortical coherence during the hold phase. Further, both of the coherence were influenced by bidirectional interactions with reasonable latencies as beta oscillatory cycles. These results indicate that dedicated feedback circuits comprising spinal and cortical structures underlie dynamic and static controls of dexterous hand actions.

Neural dynamics reflect canonical computations that relay and transform information in the brain. Previous studies have identified the neural population dynamics in many individual brain regions as a trajectory geometry in a low-dimensional neural space. However, whether these populations share particular geometric patterns across brain-wide neural populations remains unclear. Here, by mapping neural dynamics widely across temporal/frontal/limbic regions in the cortical and subcortical structures of monkeys, we show that 10 neural populations, including 2,500 neurons, propagate visual item information in a stochastic manner. We found that the visual inputs predominantly evoked rotational dynamics in the higher-order visual area, the TE and its downstream striatum tail, while curvy/straight dynamics appeared more frequently downstream in the orbitofrontal/hippocampal network. These geometric changes were not deterministic but rather stochastic according to their respective emergence rates. These results indicated that visual information propagates as a heterogeneous mixture of stochastic neural population signals in the brain.

Neural population dynamics, presumably fundamental computational units in the brain, provide a key framework for understanding information processing in the sensory, cognitive, and motor functions. However, neural population dynamics is not explicitly related to the conventional analytic framework for single-neuron activity, i.e., representational models that analyze neuronal modulations associated with cognitive and motor parameters. In this study, we applied a recently developed state-space analysis to incorporate the representational models into the dynamic model in combination with these parameters. We compared neural population dynamics between continuous and categorical task parameters during two visual recognition tasks, using the datasets originally designed for a single-neuron approach. We successfully extracted neural population dynamics in the regression subspace, which represent modulation dynamics for both continuous and categorical task parameters with reasonable temporal characteristics. Furthermore, we combined the classical optimal-stimulus analysis paradigm for the single-neuron approach (i.e., stimulus identified as maximum neural responses) into the dynamic model, and found that the most prominent modulation dynamics at the lower dimension were derived from these optimal responses. Thus, our approach provides a unified framework for incorporating knowledge acquired with the single-neuron approach into the dynamic model as a standard procedure for describing neural modulation dynamics in the brain.

Summary Successful extraction of tactile and kinematic information is crucial for appropriate motor actions in daily life. To achieve this objective, sensory signals should be effectively regulated during motor actions. This regulation is understood both empirically and conceptually, but it is not well known where and how it is implemented in the central nervous system. Here, we show that, during voluntary movement, sensory signals are already attenuated in the primate cuneate nucleus, an early processing site in the ascending lemniscus pathway. The degree of suppression was comparable with the one reported in the cortex, suggesting that psychological attenuation of somatosensation could be ascribed to the cuneate. The results also revealed that this sensory attenuation was of descending origin, suggesting that cortical sensory prediction signals could regulate cuneate sensory transmission for extracting meaningful, and attenuate unnecessary, signals for movement regulation. This recurrent sensory modulation mechanism between cortical and subcortical areas may generalize to other sensory modalities and cognitive processes.