211service.com
Kaip mašininis mokymasis padeda neurologams nulaužti mūsų neuroninį kodą
Kai judinate ranką, pirštą ar akies obuolį, smegenys siunčia signalą atitinkamiems raumenims, kuriuose yra informacijos, leidžiančios atlikti šį judesį. Ši informacija yra užkoduota ypatingu būdu, leidžiančiu ją perduoti per neuronus, o tada tinkamai veikti atitinkamiems raumenims.
Kaip tiksliai veikia šis kodas, yra kažkokia paslaptis. Neuromokslininkai jau seniai galėjo įrašyti šiuos signalus, kai jie keliauja per neuronus. Tačiau juos suprasti yra daug sunkiau. Yra įvairių algoritmų, galinčių iššifruoti kai kuriuos iš šių signalų, tačiau jų veikimas yra nevienodas. Taigi labai reikalingas geresnis nervinių signalų dekodavimo būdas.
Šiandien Joshua Glaseris iš Šiaurės vakarų universiteto Čikagoje ir keli draugai teigia, kad sukūrė būtent tokią techniką naudodami naują mašininio mokymosi technologiją. Jie sako, kad jų dekoderis gerokai pranoksta esamus metodus. Iš tiesų, tai daug geriau, kad komanda teigia, kad ateityje tai turėtų tapti standartiniu neuroninių signalų analizės metodu.
Pirmiausia šiek tiek fono. Informacija keliauja išilgai nervų skaidulų įtampos šuolių arba veikimo potencialų pavidalu, kurie keliauja nervų skaidulomis. Neurologai mano, kad spyglių modelis koduoja duomenis apie išorinius dirgiklius, tokius kaip prisilietimas, regėjimas ir garsas. Panašiai smegenys panašiai koduoja informaciją apie raumenų judėjimą.
Šio kodo supratimas yra svarbus tikslas. Tai leidžia neurologams geriau suprasti informaciją, kuri siunčiama ir apdorojama smegenyse. Tai taip pat padeda paaiškinti, kaip smegenys kontroliuoja raumenis.
Inžinieriai labai norėtų turėti geresnes smegenų ir mašinų sąsajas neįgaliųjų vežimėliams, galūnėms protezuoti ir vaizdo žaidimams valdyti. Dekodavimas yra svarbi priemonė norint suprasti, kaip neuroniniai signalai yra susiję su išoriniu pasauliu, sako Glaseris ir kt.
Jų metodas yra paprastas. Jie išmokė makakas beždžiones perkelti ekrano žymeklį link tikslo, naudodami tam tikrą kompiuterio pelę. Kiekviename bandyme žymeklis ir taikinys pasirodo ekrane atsitiktinėse vietose, o beždžionė turi perkelti žymeklį horizontaliai ir vertikaliai, kad pasiektų tikslą.
Išmokę gyvūnus, Glaseris ir bendradarbiai užfiksavo dešimčių neuronų veiklą tose jų smegenų dalyse, kurios kontroliuoja judėjimą: pirminėje motorinėje žievėje, nugarinėje premotorinėje žievėje ir pirminėje somatosensorinėje žievėje. Jų įrašai truko apie 20 minučių, o tai yra apie beždžionių… ir eksperimentuotojų dėmesį.
Dekodavimo algoritmo užduotis yra nustatyti horizontalų ir vertikalų atstumą, kuriuo beždžionė perkelia žymeklį kiekviename bandyme, naudojant tik neuroninius duomenis.
Glaserio ir bendradarbių tikslas buvo išsiaiškinti, koks dekodavimo algoritmas tai atlieka geriausiai. Taigi jie pateikė duomenis į įvairius įprastus algoritmus ir kelis naujus mašininio mokymosi algoritmus.
Įprasti algoritmai veikia naudojant statistinę techniką, žinomą kaip tiesinė regresija. Tai apima kreivės, kuri atitinka duomenis, įvertinimą ir su ja susijusios klaidos sumažinimą. Jis plačiai naudojamas neuroniniam dekodavimui tokiuose metoduose kaip Kalmano filtrai ir Wiener kaskados.
Glaseris ir bendradarbiai palygino šiuos metodus su įvairiais mašininio mokymosi metodais, pagrįstais neuroniniais tinklais. Tai buvo ilgalaikės trumpalaikės atminties tinklas, pasikartojantis neuroninis tinklas ir grįžtamasis neuroninis tinklas.
Visa tai mokosi iš anotuotų duomenų rinkinių ir kuo didesnis duomenų rinkinys, tuo geriau jie mokosi. Paprastai tai apima duomenų rinkinio padalijimą į dvi dalis – 80 procentų naudojama algoritmui parengti, o kiti 20 procentų naudojami jam išbandyti.
Rezultatai įtikina. Glaseris ir bendradarbiai teigia, kad mašininio mokymosi metodai gerokai pranoko įprastines analizes. Pavyzdžiui, visose trijose smegenų srityse ilgalaikės trumpalaikės atminties tinklo dekoderis paaiškino daugiau nei 40% nepaaiškinamo Wiener filtro skirtumo, sako jie. Šie rezultatai rodo, kad šiuolaikiniai mašininio mokymosi metodai turėtų tapti standartine neuroninio dekodavimo metodika.
Tam tikra prasme nenuostabu, kad mašininio mokymosi metodai yra daug geresni. Neuroniniai tinklai iš pradžių buvo įkvėpti smegenų architektūros, todėl tikimasi, kad jie gali geriau modeliuoti, kaip tai veikia.
Neigiama neuroninių tinklų pusė yra ta, kad jiems paprastai reikia daug treniruočių duomenų. Tačiau Glaseris ir bendradarbiai sąmoningai sumažino algoritmams tiekiamų mokymo duomenų kiekį ir nustatė, kad neuroniniai tinklai vis tiek pranoksta įprastus metodus.
Tikriausiai taip yra todėl, kad komanda naudojo mažesnius tinklus, nei įprastai naudojami tokiems metodams kaip veido atpažinimas. Pasak jų, mūsų tinklai turi apie 100 tūkstančių parametrų, o bendrieji vaizdų klasifikavimo tinklai gali turėti apie 100 milijonų parametrų.
Darbas atveria kelią kitiems remtis šia analize. Glaser ir co padarė savo kodą prieinamą bendruomenei, kad esamus neuroninių duomenų rinkinius būtų galima iš naujo išanalizuoti tokiu pačiu būdu.
Yra ką veikti. Galbūt svarbiausia užduotis bus rasti būdą, kaip atlikti neuronų dekodavimą realiuoju laiku. Visas Glaserio ir bendradarbių darbas buvo atliktas neprisijungus po to, kai buvo padaryti įrašai. Tačiau būtų neabejotinai naudinga mokėti mokytis skrendant ir numatyti judėjimą, kai tai vyksta.
Tai galingas metodas, turintis didelį potencialą. Kitose mokslo srityse, kuriose mašininis mokymasis buvo pritaikytas pirmą kartą, mokslininkai aptiko daug žemai kabančių vaisių. Būtų nuostabu, jei tas pats nebūtų pasakytina apie neuronų dekodavimą.
Nuoroda: arxiv.org/abs/1708.00909 : Neuroninio dekodavimo mašininis mokymasis