Kā mašīnmācība palīdz neirozinātniekiem uzlauzt mūsu neironu kodu

Ikreiz, kad pārvietojat roku, pirkstu vai acs ābolu, smadzenes nosūta signālu attiecīgajiem muskuļiem, kas satur informāciju, kas padara šo kustību iespējamu. Šī informācija ir kodēta īpašā veidā, kas ļauj to pārraidīt caur neironiem un pēc tam pareizi rīkoties ar attiecīgajiem muskuļiem.

Tas, kā tieši šis kods darbojas, ir noslēpums. Neirozinātnieki jau sen ir spējuši reģistrēt šos signālus, kad tie pārvietojas pa neironiem. Bet tos saprast ir daudz grūtāk. Pastāv dažādi algoritmi, kas var atšifrēt dažus no šiem signāliem, taču to veiktspēja ir nevienmērīga. Tāpēc ir ļoti nepieciešams labāks neironu signālu dekodēšanas veids.

Šodien Džošua Glasers no Čikāgas Ziemeļrietumu universitātes un daži draugi saka, ka ir izstrādājuši tieši šādu tehniku, izmantojot jauno mašīnmācības tehnoloģiju. Viņi saka, ka viņu dekodētājs ievērojami pārspēj esošās pieejas. Patiešām, tas ir tik daudz labāk, ka komanda saka, ka tai nākotnē jākļūst par standarta metodi neironu signālu analīzei.

Vispirms nedaudz fona. Informācija pārvietojas pa nervu šķiedrām sprieguma tapas jeb darbības potenciālu veidā, kas pārvietojas gar nervu šķiedrām. Neirozinātnieki uzskata, ka tapas modelis kodē datus par ārējiem stimuliem, piemēram, pieskārienu, redzi un skaņu. Līdzīgi smadzenes kodē informāciju par muskuļu kustību līdzīgā veidā.

Izpratne par šo kodu ir svarīgs mērķis. Tas ļauj neirozinātniekiem labāk izprast informāciju, kas tiek nosūtīta un apstrādāta smadzenēs. Tas arī palīdz izskaidrot, kā smadzenes kontrolē muskuļus.

Inženieri ļoti vēlētos, ja viņiem būtu labākas smadzeņu un mašīnu saskarnes ratiņkrēslu, ekstremitāšu protēžu un videospēļu vadīšanai. Dekodēšana ir būtisks instruments, lai saprastu, kā neironu signāli ir saistīti ar ārpasauli, saka Glaser un co.

Viņu metode ir vienkārša. Viņi ir apmācījuši makaka pērtiķus pārvietot ekrāna kursoru uz mērķi, izmantojot sava veida datorpeli. Katrā pārbaudē kursors un mērķis parādās ekrānā nejaušās vietās, un pērtiķim ir jāpārvieto kursors horizontāli un vertikāli, lai sasniegtu mērķi.

Apmācot dzīvniekus, Glāzers un viņa kolēģi reģistrēja desmitiem neironu aktivitāti smadzeņu daļās, kas kontrolē kustību: primārajā motoriskajā garozā, muguras premotorajā garozā un primārajā somatosensorajā garozā. Viņu ieraksti ilga apmēram 20 minūtes, kas ir par pērtiķu… un eksperimentētāju uzmanības spēju.

Dekodēšanas algoritma uzdevums ir noteikt horizontālo un vertikālo attālumu, kādā mērkaķis pārvieto kursoru katrā testā, izmantojot tikai neironu datus.

Glaser un co mērķis bija noskaidrot, kāda veida dekodēšanas algoritms to dara vislabāk. Tāpēc viņi ievadīja datus dažādos tradicionālos algoritmos un vairākos jaunos mašīnmācīšanās algoritmos.

Parastie algoritmi darbojas, izmantojot statistikas metodi, kas pazīstama kā lineārā regresija. Tas ietver līknes novērtēšanu, kas atbilst datiem, un pēc tam ar tiem saistītās kļūdas samazināšanu. To plaši izmanto neironu dekodēšanā tādās tehnikās kā Kalman filtri un Vīnera kaskādes.

Glaser un co salīdzināja šīs metodes ar dažādām mašīnmācības pieejām, kuru pamatā ir neironu tīkli. Tie ietvēra ilgtermiņa īstermiņa atmiņas tīklu, atkārtotu neironu tīklu un uz priekšu vērstu neironu tīklu.

Tas viss mācās no anotētām datu kopām, un jo lielāka ir datu kopa, jo labāk viņi mācās. Tas parasti ietver datu kopas sadalīšanu divās daļās — 80 procenti tiek izmantoti algoritma apmācībai, bet pārējie 20 procenti tiek izmantoti tā pārbaudei.

Rezultāti ir pārliecinoši. Glaser un co saka, ka mašīnmācīšanās metodes ievērojami pārspēja parastās analīzes. Piemēram, visās trijās smadzeņu zonās ilgtermiņa īstermiņa atmiņas tīkla dekodētājs izskaidroja vairāk nekā 40% neizskaidrojamās novirzes no Wiener filtra, viņi saka. Šie rezultāti liecina, ka modernām mašīnmācības metodēm jākļūst par standarta metodoloģiju neironu dekodēšanai.

Dažos veidos nav pārsteidzoši, ka mašīnmācības metodes darbojas daudz labāk. Neironu tīklus sākotnēji iedvesmoja smadzeņu arhitektūra, tāpēc ir sagaidāms, ka tie var labāk modelēt to darbību.

Neironu tīklu negatīvie aspekti ir tādi, ka tiem parasti ir nepieciešams liels apmācības datu apjoms. Taču Glāsers un kolēģi apzināti samazināja algoritmiem ievadīto apmācību datu apjomu un atklāja, ka neironu tīkli joprojām ir labāki par tradicionālajām metodēm.

Iespējams, tas ir tāpēc, ka komanda izmantoja mazākus tīklus, nekā parasti izmanto tādām metodēm kā sejas atpazīšana. Viņi saka, ka mūsu tīklos ir aptuveni 100 tūkstoši parametru, savukārt parastajos attēlu klasifikācijas tīklos var būt aptuveni 100 miljoni parametru.

Darbs paver iespēju citiem izmantot šo analīzi. Glaser un co ir padarījuši savu kodu pieejamu sabiedrībai, lai esošās neironu datu kopas varētu atkārtoti analizēt tādā pašā veidā.

Darāmā ir daudz. Iespējams, visnozīmīgākais uzdevums būs atrast veidu, kā veikt neironu dekodēšanu reāllaikā. Viss Glaser un co darbs tika veikts bezsaistē pēc ierakstu veikšanas. Taču noteikti būtu noderīgi, ja būtu iespēja mācīties lidojumā un paredzēt kustību, kā tas notiek.

Šī ir spēcīga pieeja, kurai ir ievērojams potenciāls. Citās zinātnes jomās, kur mašīnmācība ir izmantota pirmo reizi, pētnieki ir saskārušies ar daudziem zemiem augļiem. Būtu pārsteigums, ja tas pats nebūtu attiecināms uz neironu dekodēšanu.

Atsauce: arxiv.org/abs/1708.00909 : Mašīnmācība neironu dekodēšanai

paslēpties