Hvordan maskinlæring hjælper neurovidenskabsmænd med at knække vores neurale kode

Hver gang du bevæger din hånd eller finger eller øjeæblet, sender hjernen et signal til de relevante muskler, der indeholder den information, der gør denne bevægelse mulig. Denne information er kodet på en speciel måde, der gør det muligt at overføre dem gennem neuroner og derefter reagere korrekt af de relevante muskler.

Præcis hvordan denne kode fungerer, er noget af et mysterium. Neurovidenskabsmænd har længe været i stand til at registrere disse signaler, når de rejser gennem neuroner. Men at forstå dem er meget sværere. Der findes forskellige algoritmer, der kan afkode nogle af disse signaler, men deres ydeevne er usammenhængende. Så der er et desperat behov for en bedre måde at afkode neurale signaler på.

I dag siger Joshua Glaser ved Northwestern University i Chicago og et par venner, at de har udviklet netop sådan en teknik ved at bruge den nymodens teknologi inden for maskinlæring. De siger, at deres dekoder overgår de eksisterende tilgange markant. Faktisk er det så meget bedre, at holdet siger, at det burde blive standardmetoden til at analysere neurale signaler i fremtiden.

Først lidt baggrund. Information bevæger sig langs nervefibre i form af spændingsspidser eller aktionspotentialer, der bevæger sig langs nervefibre. Neurovidenskabsmænd mener, at mønsteret af pigge koder for data om eksterne stimuli, såsom berøring, syn og lyd. På samme måde koder hjernen information om muskelbevægelser på lignende måde.

At forstå denne kode er et vigtigt mål. Det giver neuroforskere mulighed for bedre at forstå den information, der sendes til og behandles af hjernen. Det hjælper også med at forklare, hvordan hjernen styrer musklerne.

Ingeniører ville elske at have bedre hjerne-maskine-grænseflader til styring af kørestole, proteser og videospil. Afkodning er et kritisk værktøj til at forstå, hvordan neurale signaler relaterer sig til omverdenen, siger Glaser og co.

Deres metode er ligetil. De har trænet makakaber til at flytte en skærmmarkør mod et mål ved hjælp af en slags computermus. I hver test vises markøren og målet på en skærm på tilfældige steder, og aben skal flytte markøren vandret og lodret for at nå målet.

Efter at have trænet dyrene, registrerede Glaser og co aktiviteten af ​​snesevis af neuroner i de dele af deres hjerne, der styrer bevægelse: den primære motoriske cortex, den dorsale præmotoriske cortex og den primære somatosensoriske cortex. Optagelserne varede i omkring 20 minutter, hvilket handler om abernes opmærksomhed … og forsøgslederne.

Jobbet med en afkodningsalgoritme er at bestemme den vandrette og lodrette afstand, som aben flytter markøren i hver test, ved kun at bruge de neurale data.

Glaser og co's mål var at finde ud af, hvilken slags afkodningsalgoritme der gør dette bedst. Så de indførte dataene i en række konventionelle algoritmer og flere nye maskinlæringsalgoritmer.

De konventionelle algoritmer fungerer ved hjælp af en statistisk teknik kendt som lineær regression. Dette indebærer at estimere en kurve, der passer til dataene, og derefter reducere den fejl, der er forbundet med den. Det er meget udbredt i neural afkodning i teknikker som Kalman-filtre og Wiener-kaskader.

Glaser og co sammenlignede disse teknikker med en række forskellige maskinlæringsmetoder baseret på neurale netværk. Disse omfattede et langtidshukommelsesnetværk, et tilbagevendende neuralt netværk og et feedforward-neuralt netværk.

Alle disse lærer af kommenterede datasæt, og jo større datasættet er, jo bedre lærer de. Dette involverer generelt at dele datasættet i to - 80 procent bruges til at træne algoritmen og de andre 20 procent bruges til at teste det.

Resultaterne er overbevisende. Glaser og co siger, at maskinlæringsteknikkerne klarede sig markant bedre end de konventionelle analyser. For eksempel, for alle de tre hjerneområder, forklarede en langtidshukommelsesnetværksdekoder over 40 % af den uforklarlige varians fra et Wiener-filter, siger de. Disse resultater tyder på, at moderne maskinlæringsteknikker bør blive standardmetoden til neural afkodning.

På nogle måder er det ikke overraskende, at maskinlæringsteknikker gør så meget bedre. Neurale netværk blev oprindeligt inspireret af hjernens arkitektur, så det forventes, at de bedre kan modellere, hvordan det fungerer.

Ulempen ved neurale net er, at de generelt har brug for store mængder træningsdata. Men Glaser og co reducerede bevidst mængden af ​​træningsdata, de tilførte algoritmerne, og fandt ud af, at neurale net stadig overgik de konventionelle teknikker.

Det skyldes sandsynligvis, at holdet brugte mindre netværk, end der konventionelt bruges til teknikker som ansigtsgenkendelse. Vores netværk har i størrelsesordenen 100 tusinde parametre, mens almindelige netværk til billedklassificering kan have i størrelsesordenen 100 millioner parametre, siger de.

Værket åbner vejen for, at andre kan bygge videre på denne analyse. Glaser og co har gjort deres kode tilgængelig for fællesskabet, så eksisterende neurale datasæt kan genanalyseres på samme måde.

Der er masser at lave. Den måske vigtigste opgave vil være at finde en måde at udføre den neurale afkodning på i realtid. Alt Glaser og cos arbejde blev udført offline efter optagelserne var blevet lavet. Men det ville klart være nyttigt at være i stand til at lære på farten og forudsige bevægelser, mens de sker.

Dette er en kraftfuld tilgang, der har et betydeligt potentiale. På andre videnskabsområder, hvor maskinlæring er blevet anvendt for første gang, er forskere stødt på meget lavthængende frugter. Det ville være en overraskelse, hvis det samme ikke var tilfældet med neural afkodning.

Ref: arxiv.org/abs/1708.00909 : Maskinlæring til neural afkodning

skjule