W jaki sposób uczenie maszynowe pomaga neurologom w złamaniu naszego kodu neuronowego

Za każdym razem, gdy poruszasz ręką, palcem lub gałką oczną, mózg wysyła sygnał do odpowiednich mięśni, zawierający informację, która umożliwia ten ruch. Ta informacja jest zakodowana w specjalny sposób, który umożliwia jej przekazywanie przez neurony, a następnie prawidłowe działanie odpowiednich mięśni.

Dokładnie, jak działa ten kod, jest czymś tajemniczym. Neuronaukowcy od dawna potrafią rejestrować te sygnały, gdy przechodzą przez neurony. Ale zrozumienie ich jest znacznie trudniejsze. Istnieją różne algorytmy, które mogą dekodować niektóre z tych sygnałów, ale ich wydajność jest niejednolita. Dlatego pilnie potrzebny jest lepszy sposób dekodowania sygnałów neuronowych.

Dzisiaj Joshua Glaser z Northwestern University w Chicago i kilku kumpli twierdzą, że opracowali właśnie taką technikę przy użyciu nowomodnej technologii uczenia maszynowego. Mówią, że ich dekoder znacznie przewyższa istniejące podejścia. Rzeczywiście, jest o wiele lepiej, że zespół twierdzi, że w przyszłości powinna stać się standardową metodą analizy sygnałów neuronowych.

Najpierw trochę tła. Informacja wędruje wzdłuż włókien nerwowych w postaci skoków napięcia lub potencjałów czynnościowych, które przemieszczają się wzdłuż włókien nerwowych. Neuronaukowcy uważają, że wzór kolców koduje dane o bodźcach zewnętrznych, takich jak dotyk, wzrok i dźwięk. Podobnie mózg koduje informacje o ruchu mięśni w podobny sposób.

Zrozumienie tego kodu jest ważnym celem. Umożliwia neurologom lepsze zrozumienie informacji przesyłanych do mózgu i przetwarzanych przez mózg. Pomaga również wyjaśnić, w jaki sposób mózg kontroluje mięśnie.

Inżynierowie bardzo chcieliby mieć lepsze interfejsy mózg-maszyna do kontrolowania wózków inwalidzkich, protez kończyn i gier wideo. Dekodowanie jest kluczowym narzędziem do zrozumienia, w jaki sposób sygnały neuronowe odnoszą się do świata zewnętrznego, mówią Glaser i spółka.

Ich metoda jest prosta. Wyszkolili makaki, aby przesuwały kursor ekranowy w kierunku celu za pomocą myszy komputerowej. W każdym teście kursor i cel pojawiają się na ekranie w losowych miejscach, a małpa musi poruszać kursorem w poziomie i pionie, aby osiągnąć cel.

Po wytresowaniu zwierząt Glaser i współpracownicy zarejestrowali aktywność dziesiątek neuronów w częściach ich mózgów, które kontrolują ruch: pierwotnej korze ruchowej, grzbietowej korze przedruchowej i pierwotnej korze somatosensorycznej. Nagrania trwały około 20 minut, co dotyczy koncentracji uwagi małp… i eksperymentatorów.

Zadaniem algorytmu dekodującego jest określenie odległości poziomej i pionowej, o jaką małpa przesuwa kursor w każdym teście, wykorzystując tylko dane neuronowe.

Celem Glaser i spółki było ustalenie, jaki rodzaj algorytmu dekodowania robi to najlepiej. Wprowadzili więc dane do różnych konwencjonalnych algorytmów i kilku nowych algorytmów uczenia maszynowego.

Konwencjonalne algorytmy działają przy użyciu techniki statystycznej znanej jako regresja liniowa. Obejmuje to oszacowanie krzywej, która pasuje do danych, a następnie zmniejszenie związanego z nią błędu. Jest szeroko stosowany w dekodowaniu neuronowym w technikach takich jak filtry Kalmana i kaskady Wienera.

Glaser i wsp. porównali te techniki z różnymi podejściami do uczenia maszynowego opartymi na sieciach neuronowych. Obejmowały one sieć pamięci krótkoterminowej, rekurencyjną sieć neuronową i sieć neuronową ze sprzężeniem do przodu.

Wszystkie te uczą się na podstawie zestawów danych z adnotacjami, a im większy zestaw danych, tym lepiej się uczą. Zwykle polega to na podzieleniu zestawu danych na dwie części — 80 procent służy do trenowania algorytmu, a pozostałe 20 procent służy do jego testowania.

Wyniki są przekonujące. Glaser i spółka twierdzą, że techniki uczenia maszynowego znacznie przewyższały konwencjonalne analizy. Na przykład, dla wszystkich trzech obszarów mózgu, dekoder sieci pamięci krótkoterminowej wyjaśnił ponad 40% niewyjaśnionej wariancji z filtra Wienera. Wyniki te sugerują, że nowoczesne techniki uczenia maszynowego powinny stać się standardową metodologią dekodowania neuronowego.

Pod pewnymi względami nie jest zaskakujące, że techniki uczenia maszynowego są o wiele lepsze. Sieci neuronowe były pierwotnie inspirowane architekturą mózgu, więc oczekuje się, że mogą lepiej modelować sposób jej działania.

Wadą sieci neuronowych jest to, że zazwyczaj potrzebują dużej ilości danych uczących. Ale Glaser i spółka celowo ograniczyli ilość danych treningowych, które przekazali algorytmom, i odkryli, że sieci neuronowe wciąż przewyższają konwencjonalne techniki.

Dzieje się tak prawdopodobnie dlatego, że zespół korzystał z mniejszych sieci niż te, które są konwencjonalnie używane do technik takich jak rozpoznawanie twarzy. Nasze sieci mają około 100 tysięcy parametrów, podczas gdy zwykłe sieci do klasyfikacji obrazów mogą mieć około 100 milionów parametrów, jak mówią.

Praca otwiera drogę innym do oparcia się na tej analizie. Glaser i spółka udostępnili swój kod społeczności, dzięki czemu istniejące zestawy danych neuronowych mogą być ponownie analizowane w ten sam sposób.

Jest wiele do zrobienia. Być może najważniejszym zadaniem będzie znalezienie sposobu na przeprowadzenie dekodowania neuronowego w czasie rzeczywistym. Cała praca Glasera i spółki była wykonywana offline po nagraniu. Ale z pewnością przydałaby się umiejętność uczenia się na bieżąco i przewidywania ruchu w miarę jego występowania.

To potężne podejście, które ma znaczny potencjał. W innych dziedzinach nauki, w których po raz pierwszy zastosowano uczenie maszynowe, naukowcy natknęli się na wiele nisko wiszących owoców. Byłoby niespodzianką, gdyby to samo nie dotyczyło dekodowania neuronowego.

Nr ref.: arxiv.org/abs/1708.00909 : Uczenie maszynowe do dekodowania neuronowego

ukryć