Zhrnutie: Výskumníci EPFL vyvinuli nový algoritmus strojového učenia s názvom CEBRA, ktorý dokáže predpovedať, čo myši vidia na základe dekódovania ich nervovej aktivity.
Algoritmus mapuje mozgovú aktivitu na konkrétne snímky a dokáže predpovedať neviditeľné filmové snímky priamo zo signálov mozgu po počiatočnom tréningovom období.
CEBRA môže byť použitá na predpovedanie pohybov rúk u primátov a na rekonštrukciu pozícií myší, keď sa pohybujú po aréne, čo naznačuje potenciálne klinické aplikácie.
Kľúčové fakty:
- Výskumníci z École polytechnique fédérale de Lausanne (EPFL) vyvinuli algoritmus strojového učenia s názvom CEBRA, ktorý sa dokáže naučiť skrytú štruktúru v nervovom kóde a zrekonštruovať ju pri sledovaní filmu alebo pri sledovaní pohybov zvieracích rúk.
- CEBRA je založená na kontrastnom učení, čo je technika, ktorá umožňuje výskumníkom zvážiť neurálne údaje a behaviorálne označenia, ako sú odmena, merané pohyby alebo zmyslové vlastnosti, ako sú farby alebo textúry obrázkov.
- Medzi silné stránky Zebry patrí jej schopnosť integrovať údaje naprieč metódami, obmedziť nuansy a rekonštruovať syntetické údaje. Táto metodológia má vzrušujúce potenciálne aplikácie v správaní zvierat, údajoch o génovej expresii a neurovedeckom výskume.
Zdroj: EPFL
Dokáže človek zrekonštruovať to, čo vidí, len na základe mozgových signálov? Odpoveď je nie, zatiaľ nie. Výskumníci EPFL však urobili krok týmto smerom zavedením novej metodológie na vytváranie modelov umelých neurónových sietí, ktoré zachytávajú dynamiku mozgu s pôsobivou presnosťou.
Nový algoritmus strojového učenia CEBRA, ktorý má korene v matematike (vyslov Zebra) a naučí sa skrytú štruktúru v nervovom kóde.
To, čo sa CEBRA naučí zo surových neurónových údajov, možno po tréningu otestovať dekódovaním – metódou používanou pre rozhrania mozog-stroj (BMI) – a ukázali, čo dokáže myš z modelu dekódovať. Sledovanie filmu.
CEBRA sa však neobmedzuje len na neuróny vizuálnej kôry alebo údaje o mozgu. Ich štúdia ukazuje, že sa dá použiť na predpovedanie pohybov rúk u zvierat a rekonštrukciu pozícií myší, keď voľne pobehujú po aréne.
Diplomová práca bola zverejnená Príroda.
„Táto práca je krokom k teoreticky podporovaným mechanizmom potrebným v neurotechnológiách na riadenie vysokovýkonných BMI,“ hovorí Mackenzie Mathis, vedúci štúdie Bertarelliho integračnej neurovedy a PI spoločnosti EPFL.
CEBRA dokáže predpovedať neviditeľné filmové snímky priamo zo signálov mozgu po počiatočnom tréningovom období mapujúcom mozgové signály a funkcie filmu, aby sa naučili latentnú (t. j. skrytú) štruktúru vo vizuálnom systéme potkanov.
Údaje použité na dekódovanie videa majú otvorený prístup z Allen Institute v Seattli, WA. Mozgové signály sa získavajú priamym meraním mozgovej aktivity elektródovými sondami vloženými do zrakovej kôry potkanieho mozgu alebo optickými sondami navrhnutými tak, aby aktivované neuróny žiarili na zeleno, pomocou geneticky modifikovaných myší.
Počas tréningu sa CEBRA učí mapovať mozgovú aktivitu do konkrétnych rámcov. U myší CEBRA najlepšie funguje s menej ako 1 % neurónov vo zrakovej kôre, berúc do úvahy, že táto oblasť mozgu obsahuje približne 0,5 milióna neurónov.
„CEBRA je striktne založená na kontrastnom učení, technike, ktorá sa učí, ako organizovať alebo vkladať vysokorozmerné údaje do nízkorozmerného priestoru nazývaného latentný priestor, takže podobné dátové body sú bližšie k sebe a odlišné dátové body sú viac odlišné.“ vysvetľuje Mathis.
„Toto vloženie možno použiť na odvodenie skrytých vzťahov a štruktúry v údajoch. Umožňuje výskumníkom spoločne zvažovať neurálne údaje a behaviorálne označenia vrátane meraných pohybov, abstraktných označení ako „odmena“ alebo zmyslových prvkov, ako je textúra farieb alebo snímky.“
„CEBRA vyniká v porovnaní s inými algoritmami v rekonštrukcii syntetických údajov, čo robí porovnávanie algoritmov veľmi dôležité,“ hovorí Steffen Schneider, spoluautor článku. „Jeho sila tiež spočíva v jeho schopnosti kombinovať údaje naprieč spôsobmi, ako sú filmové funkcie a údaje o mozgu, a kontrolovať nuansy, ako sú zmeny v údajoch v závislosti od toho, ako boli zhromaždené.“
„Cieľom CEBRA je odhaliť štruktúru v zložitých systémoch. A keďže mozog je najkomplexnejšou štruktúrou v našom vesmíre, je to ultimátna testovacia plocha pre ZEBRA. Poskytne nám pohľad na to, ako mozog spracováva informácie a platformu na objavovanie nových princípy v neurovede spojením údajov medzi zvieratami a druhmi, „hovorí Mathis.
„Táto metodológia nie je obmedzená na neurovedecký výskum, pretože sa dá aplikovať na mnohé súbory údajov, ktoré obsahujú časové alebo kolektívne informácie, vrátane údajov o správaní zvierat a génovej expresii. Preto sú potenciálne klinické aplikácie vzrušujúce.“
O týchto novinkách z výskumu strojového učenia
autor: Tlačové oddelenie
Zdroj: EPFL
Kontakt: Tlačové oddelenie – EPFL
Obrázok: Film má na svedomí Neuronews
Pôvodný výskum: Otvorený prístup.
„Naučiteľné latentné vloženia pre kolektívne správanie a nervovú analýzuMackenzie Mathis a kol. Príroda
Zhrnutie
Naučiteľné latentné vloženia pre kolektívne správanie a nervovú analýzu
Mapovanie behaviorálnej aktivity na nervovú aktivitu je základným cieľom neurovedy. S rastúcou schopnosťou zaznamenávať veľké neurálne a behaviorálne údaje sa zvyšuje záujem o modelovanie neurálnej dynamiky počas adaptívneho správania na štúdium neurálnych reprezentácií.
Najmä, hoci neurálne latentné vloženie odhaľuje interakcie, ktoré sú základom správania, chýbajú nám nelineárne techniky, ktoré môžu transparentne a flexibilne využívať spoločné behaviorálne a neurálne údaje na detekciu neurálnej dynamiky.
Tu vypĺňame túto medzeru pomocou CEBRA, novej kódovacej metódy, ktorá kombinuje behaviorálne a neurálne údaje na generovanie stabilných a vysokovýkonných latentných priestorov spôsobom (pod dohľadom) na základe hypotéz alebo (samotným dohľadom) objavovaním. Ukazujeme, že konzistenciu možno použiť ako metriku na zisťovanie zmysluplných rozdielov a na dekódovanie odvodených záverov.
Overujeme jeho presnosť a demonštrujeme užitočnosť nášho nástroja pre súbory údajov o vápniku a elektrofyziológii, pri senzorických a motorických úlohách a jednoduchom alebo komplexnom správaní v organizmoch. To umožňuje súbory údajov s jednou a viacerými reláciami na testovanie hypotéz alebo sa môžu použiť neoznačené.
Nakoniec ukážeme, že CEBRA sa dá použiť na mapovanie priestoru, odhaľovanie zložitých dynamických funkcií a generovanie konzistentných skrytých priestorov naprieč dvojfotónovými a neuropixelovými údajmi. .
