Hvordan maskinlæring hjelper nevrovitenskapsmenn med å knekke nevralkoden vår

Hver gang du beveger hånden eller fingeren eller øyeeplet, sender hjernen et signal til de aktuelle musklene som inneholder informasjonen som gjør denne bevegelsen mulig. Denne informasjonen er kodet på en spesiell måte som gjør at den kan overføres gjennom nevroner og deretter utføres riktig av de relevante musklene.

Nøyaktig hvordan denne koden fungerer er noe av et mysterium. Nevrovitenskapsmenn har lenge vært i stand til å registrere disse signalene når de reiser gjennom nevroner. Men å forstå dem er mye vanskeligere. Det finnes forskjellige algoritmer som kan dekode noen av disse signalene, men ytelsen deres er usammenhengende. Så en bedre måte å dekode nevrale signaler på er desperat nødvendig.

I dag sier Joshua Glaser ved Northwestern University i Chicago og noen få venner at de har utviklet nettopp en slik teknikk ved å bruke den nymotens teknologi for maskinlæring. De sier at dekoderen deres overgår eksisterende tilnærminger betydelig. Faktisk er det så mye bedre at teamet sier at det bør bli standardmetoden for å analysere nevrale signaler i fremtiden.

Først litt bakgrunn. Informasjon beveger seg langs nervefibre i form av spenningstopper, eller aksjonspotensialer, som beveger seg langs nervefibre. Nevrovitenskapsmenn mener at mønsteret av pigger koder for data om ytre stimuli, som berøring, syn og lyd. Tilsvarende koder hjernen informasjon om muskelbevegelser på lignende måte.

Å forstå denne koden er et viktig mål. Det lar nevroforskere bedre forstå informasjonen som sendes til og behandles av hjernen. Det hjelper også å forklare hvordan hjernen kontrollerer muskler.

Ingeniører ville elske å ha bedre hjerne-maskin-grensesnitt for å kontrollere rullestoler, proteser og videospill. Dekoding er et kritisk verktøy for å forstå hvordan nevrale signaler forholder seg til omverdenen, sier Glaser og co.

Metoden deres er grei. De har trent makakaper til å flytte en skjermmarkør mot et mål ved å bruke en slags datamus. I hver test vises markøren og målet på en skjerm på tilfeldige steder, og apen må flytte markøren horisontalt og vertikalt for å nå målet.

Etter å ha trent dyrene, registrerte Glaser og co aktiviteten til dusinvis av nevroner i delene av hjernen deres som kontrollerer bevegelse: den primære motoriske cortex, den dorsale premotoriske cortex og den primære somatosensoriske cortex. Opptakene varte i rundt 20 minutter, noe som handler om oppmerksomhetsspennet til apene ... og eksperimenterne.

Jobben til en dekodingsalgoritme er å bestemme den horisontale og vertikale avstanden som apen beveger markøren i hver test, kun ved å bruke nevrale data.

Glaser og cos mål var å finne ut hvilken type dekodingsalgoritme som gjør dette best. Så de matet dataene inn i en rekke konvensjonelle algoritmer og flere nye maskinlæringsalgoritmer.

De konvensjonelle algoritmene fungerer ved hjelp av en statistisk teknikk kjent som lineær regresjon. Dette innebærer å estimere en kurve som passer til dataene og deretter redusere feilen knyttet til den. Det er mye brukt i nevral dekoding i teknikker som Kalman-filtre og Wiener-kaskader.

Glaser og co sammenlignet disse teknikkene med en rekke maskinlæringsmetoder basert på nevrale nettverk. Disse inkluderte et langtidsminnenettverk, et tilbakevendende nevralt nettverk og et feedforward nevralt nettverk.

Alle disse lærer av kommenterte datasett, og jo større datasett, jo bedre lærer de. Dette innebærer vanligvis å dele datasettet i to - 80 prosent brukes til å trene algoritmen og de andre 20 prosentene brukes til å teste den.

Resultatene er overbevisende. Glaser og co sier at maskinlæringsteknikkene klarte seg betydelig bedre enn de konvensjonelle analysene. For eksempel, for alle de tre hjerneområdene, forklarte en Long Short Term Memory Network-dekoder over 40 % av den uforklarlige variansen fra et Wiener-filter, sier de. Disse resultatene antyder at moderne maskinlæringsteknikker bør bli standardmetodikken for nevral dekoding.

På noen måter er det ikke overraskende at maskinlæringsteknikker gjør så mye bedre. Nevrale nettverk ble opprinnelig inspirert av hjernens arkitektur, så det forventes at de bedre kan modellere hvordan det fungerer.

Ulempen med nevrale nett er at de generelt trenger store mengder treningsdata. Men Glaser og co reduserte bevisst mengden treningsdata de matet til algoritmene og fant ut at de nevrale nettene fortsatt overgikk de konvensjonelle teknikkene.

Det er sannsynligvis fordi teamet brukte mindre nettverk enn det som vanligvis brukes til teknikker som ansiktsgjenkjenning. Våre nettverk har i størrelsesorden 100 tusen parametere, mens vanlige nettverk for bildeklassifisering kan ha i størrelsesorden 100 millioner parametere, sier de.

Arbeidet åpner for at andre kan bygge videre på denne analysen. Glaser og co har gjort koden sin tilgjengelig for fellesskapet slik at eksisterende nevrale datasett kan analyseres på nytt på samme måte.

Det er mye å gjøre. Den kanskje viktigste oppgaven vil være å finne en måte å utføre den nevrale dekodingen på i sanntid. Alt av Glaser og cos arbeid ble gjort offline etter at opptakene var gjort. Men det ville helt klart vært nyttig å kunne lære på farten og forutsi bevegelse etter hvert som det skjer.

Dette er en kraftig tilnærming som har betydelig potensial. I andre vitenskapsområder hvor maskinlæring har blitt brukt for første gang, har forskere snublet over mye lavthengende frukt. Det ville være en overraskelse om det samme ikke gjaldt nevral dekoding.

Ref: arxiv.org/abs/1708.00909 : Maskinlæring for nevral dekoding

gjemme seg