Алгоритм распознавания изображений ИИ может предсказать, движется мышь или нет, на основе данных функциональной визуализации мозга. Исследователи из Университета Кобе разработали метод определения того, какие входные данные являются релевантными, проливая свет на «черный ящик» искусственного интеллекта и потенциально способствуя развитию технологии интерфейса «мозг-машина».
Для создания интерфейсов мозг-машина необходимо понять, как сигналы мозга и соответствующие действия связаны друг с другом. Это называется «нейронным декодированием», и большинство исследований в этой области проводится на электрической активности клеток мозга, которая измеряется электродами, имплантированными в мозг. С другой стороны, технологии функциональной визуализации, такие как фМРТ или визуализация кальция, могут контролировать весь мозг и делать активные области мозга видимыми с помощью прокси-данных.
Из этих двух методов визуализация кальция выполняется быстрее и обеспечивает лучшее пространственное разрешение . Но эти источники данных остаются неиспользованными для нейронного декодирования. Одним из конкретных препятствий является необходимость предварительной обработки данных, например, путем удаления шума или определения области интереса, что затрудняет разработку обобщенной процедуры нейронного декодирования множества различных видов поведения.
Студент-медик Университета Кобе Аджиока Такехиро использовал междисциплинарный опыт команды под руководством нейробиолога Такуми Тору для решения этой проблемы. «Наш опыт работы с системами визуализации в реальном времени и отслеживания движения мышей на основе виртуальной реальности, а также методами глубокого обучения позволил нам изучить «сквозные» методы глубокого обучения, что означает, что они не требуют предварительной обработки или заранее заданных функций. и, таким образом, оценивать информацию всей коры головного мозга для нейронного декодирования», — говорит Аджиока.
Команда объединила два разных алгоритма глубокого обучения, один для пространственных и один для временных паттернов, с пленочными данными всей коры головного мозга мышей, отдыхающих или бегущих на беговой дорожке, и обучила свою ИИ-модель точно предсказывать по данным изображения коры головного мозга, находится ли мышь в состоянии покоя. двигаться или отдыхать.
В своей статье , опубликованной в журнале PLOS Computational Biology, исследователи из Университета Кобе сообщают, что их модель имеет точность 95% в предсказании истинного поведенческого состояния животного без необходимости удалять шум или заранее определять область интереса.
Кроме того, их модель сделала эти точные прогнозы на основе данных всего за 0,17 секунды, а это означает, что они могут достичь скорости, близкой к реальному времени. Кроме того, это сработало для пяти разных людей, что показывает, что модель может отфильтровывать индивидуальные характеристики.
Затем нейробиологи определили, какие части данных изображения в основном отвечают за прогноз, удалив части данных и наблюдая за работой модели в этом состоянии. Чем хуже становился прогноз, тем важнее были данные. «Эта способность нашей модели идентифицировать критические области коры для поведенческой классификации особенно интересна, поскольку она открывает крышку аспекта «черного ящика» методов глубокого обучения », — объясняет Аджиока.
Совместно команда Университета Кобе разработала обобщаемую методику определения поведенческих состояний на основе данных функциональной визуализации всей коры головного мозга и разработала методику определения того, на каких частях данных основаны прогнозы. Аджиока объясняет: «Это исследование закладывает основу для дальнейшей разработки интерфейсов «мозг-машина» , способных декодировать поведение практически в реальном времени с использованием неинвазивной визуализации мозга».
