Përmbledhje: Studiuesit zhvilluan një algoritëm AI të aftë për të parashikuar lëvizjen e miut me një saktësi 95% duke analizuar të dhënat funksionale të imazhit të të gjithë korteksit, duke revolucionarizuar potencialisht teknologjinë e ndërfaqes tru-makinë. Metoda e mësimit të thellë të ekipit nga fundi në fund nuk kërkon parapërpunim të të dhënave dhe mund të bëjë parashikime të sakta bazuar në vetëm 0,17 sekonda të të dhënave të imazhit.
Për më tepër, ata shpikën një teknikë për të dalluar se cilat pjesë të të dhënave ishin thelbësore për parashikimin, duke ofruar një paraqitje të shkurtër në procesin e vendimmarrjes së AI. Ky përparim jo vetëm që rrit të kuptuarit tonë për dekodimin nervor, por gjithashtu hap rrugën për zhvillimin e ndërfaqeve jo-invazive, afërsisht në kohë reale, tru-makinë.
Faktet kryesore:
- Saktësia e lartë e parashikimit: Modeli i inteligjencës artificiale mund të parashikojë me saktësi gjendjen e sjelljes së miut – duke lëvizur ose duke pushuar – bazuar në të dhënat e imazhit të trurit me një shkallë suksesi 95%, pa pasur nevojë për heqjen e zhurmës ose zona të paracaktuara të interesit.
- Parashikime të shpejta, të individualizuara: Aftësia e modelit për të gjeneruar parashikime nga 0.17 sekonda të dhëna dhe efektiviteti i tij nëpër minj të ndryshëm demonstrojnë potencialin e tij për aplikacione të personalizuara, afërsisht në kohë reale në ndërfaqet tru-makinë.
- Hapja e kutisë së zezë të AI: Duke identifikuar rajonet kritike kortikale për klasifikimin e sjelljes, studiuesit kanë ofruar njohuri të vlefshme në të dhënat që informojnë vendimet e AI, duke rritur interpretueshmërinë e të mësuarit të thellë në neuroshkencë.
Burimi: Universiteti Kobe
Një algoritëm i njohjes së imazhit të AI mund të parashikojë nëse një mi është duke lëvizur ose jo bazuar në të dhënat e imazhit funksional të trurit. Studiuesit e Universitetit Kobe zhvilluan gjithashtu një metodë për të identifikuar se cilat të dhëna hyrëse janë të rëndësishme, duke ndriçuar dritën në kutinë e zezë të AI me potencialin për të kontribuar në teknologjinë e ndërfaqes tru-makinë.
Për prodhimin e ndërfaqeve tru-makinë, është e nevojshme të kuptohet se si sinjalet e trurit dhe veprimet e prekura lidhen me njëra-tjetrën. Ky quhet “dekodim nervor” dhe shumica e kërkimeve në këtë fushë bëhen në aktivitetin elektrik të qelizave të trurit, i cili matet nga elektroda të implantuara në tru.
Nga ana tjetër, teknologjitë funksionale të imazhit, të tilla si fMRI ose imazhet e kalciumit, mund të monitorojnë të gjithë trurin dhe mund t’i bëjnë rajonet aktive të trurit të dukshme nga të dhënat proxy. Nga të dyja, imazhi i kalciumit është më i shpejtë dhe ofron rezolucion më të mirë hapësinor. Por këto burime të të dhënave mbeten të pashfrytëzuara për përpjekjet e dekodimit nervor.
Një pengesë e veçantë është nevoja për të përpunuar paraprakisht të dhënat, si për shembull duke hequr zhurmën ose duke identifikuar një rajon me interes, duke e bërë të vështirë hartimin e një procedure të përgjithësuar për dekodimin nervor të shumë llojeve të ndryshme të sjelljes.
Studentja e mjekësisë në Universitetin Kobe, AJIOKA Takehiro, përdori ekspertizën ndërdisiplinore të ekipit të udhëhequr nga neuroshkencëtari TAKUMI Toru për të trajtuar këtë çështje.
“Përvoja jonë me sistemet e imazheve në kohë reale dhe të gjurmimit të lëvizjeve të bazuara në VR për minjtë dhe teknikat e të mësuarit të thellë na lejoi të eksplorojmë metodat e të mësuarit të thellë nga fundi në fund, që do të thotë se ato nuk kërkojnë parapërpunim ose veçori të paracaktuara. dhe kështu vlerësoni informacionin në të gjithë korteksin për dekodimin nervor, “thotë Ajioka.
Ata kombinuan dy algoritme të ndryshme të të mësuarit të thellë, një për modele hapësinore dhe një për modele kohore, me të dhënat e filmit të gjithë korteksit nga minjtë që pushonin ose vraponin në një rutine dhe trajnuan modelin e tyre të AI për të parashikuar me saktësi nga të dhënat e imazhit të korteksit nëse miu po lëviz. ose duke pushuar.
Në ditar Biologjia Kompjuterike PLoSstudiuesit e Universitetit Kobe raportojnë se modeli i tyre ka një saktësi prej 95% në parashikimin e gjendjes së vërtetë të sjelljes së kafshës pa nevojën për të hequr zhurmën ose për të përcaktuar paraprakisht një rajon interesi.
Përveç kësaj, modeli i tyre i bëri këto parashikime të sakta bazuar në vetëm 0.17 sekonda të dhëna, që do të thotë se ata mund të arrinin shpejtësi afërsisht në kohë reale. Gjithashtu, kjo funksionoi në pesë individë të ndryshëm, gjë që tregon se modeli mund të filtronte karakteristikat individuale.
Neuroshkencëtarët më pas vazhduan të identifikonin se cilat pjesë të të dhënave të imazhit ishin kryesisht përgjegjëse për parashikimin duke fshirë pjesë të të dhënave dhe duke vëzhguar performancën e modelit në atë gjendje. Sa më keq të bëhej parashikimi, aq më të rëndësishme ishin ato të dhëna.
“Kjo aftësi e modelit tonë për të identifikuar rajonet kritike kortikale për klasifikimin e sjelljes është veçanërisht emocionuese, pasi hap kapakun e aspektit të ‘kutisë së zezë’ të teknikave të të mësuarit të thellë,” shpjegon Ajioka.
Të marra së bashku, ekipi i Universitetit Kobe krijoi një teknikë të përgjithësueshme për të identifikuar gjendjet e sjelljes nga të dhënat e imazhit funksional të korteksit dhe zhvilloi një teknikë për të identifikuar se në cilat pjesë të të dhënave bazohen parashikimet. Ajioka shpjegon pse kjo është e rëndësishme.
“Ky hulumtim vendos themelet për zhvillimin e mëtejshëm të ndërfaqeve tru-makinë të afta për dekodimin e sjelljes afër në kohë reale duke përdorur imazhe jo-invazive të trurit.”
Financimi: Ky hulumtim u financua nga Shoqëria japoneze për Promovimin e Shkencës (grante JP16H06316, JP23H04233, JP23KK0132, JP19K16886, JP23K14673 dhe JP23H04138), Agjencia japoneze për Kërkime dhe Zhvillime Mjekësore (JP23H04138), Agjencia japoneze për Kërkime dhe Zhvillim Mjekësor (JP20JM) MS2299 dhe JPMJMS229B), Qendra Kombëtare e Neurologjisë dhe Psikiatrisë (granti 30-9), dhe Fondacioni Shkencës Takeda. Ai u krye në bashkëpunim me studiues nga laboratorët e analizës së informacionit nervor ATR.
Rreth këtij lajmi të kërkimit të AI dhe lëvizjes
Autori: Daniel Schenz
Burimi: Universiteti Kobe
Kontaktoni: Daniel Schenz – Universiteti Kobe
Imazhi: Imazhi është kredituar për Neuroscience News
Hulumtimi origjinal: Qasje e hapur.
“Qasja e të mësuarit të thellë nga fundi në fund për klasifikimin e sjelljes së miut nga imazhet e kalciumit në të gjithë korteksin” nga TAKUMI Toru et al. PLOS Biologji Kompjuterike
Abstrakt
Qasja e të mësuarit të thellë nga fundi në fund për klasifikimin e sjelljes së miut nga imazhet e kalciumit në të gjithë korteksin
Të mësuarit e thellë është një mjet i fuqishëm për dekodimin nervor, i aplikuar gjerësisht në neuroshkencën e sistemeve dhe studimet klinike.
Modelet e interpretueshme dhe transparente që mund të shpjegojnë dekodimin nervor për sjelljet e synuara janë thelbësore për identifikimin e veçorive thelbësore të dekoduesve të të mësuarit të thellë në aktivitetin e trurit. Në këtë studim, ne shqyrtojmë performancën e të mësuarit të thellë për të klasifikuar gjendjet e sjelljes së miut nga të dhënat e imazhit mezoskopik të kalciumit në të gjithë korteksin.
Dekoderi ynë nga fundi në fund i bazuar në rrjetin nervor konvolucionar (CNN) i kombinuar me rrjetin nervor të përsëritur (RNN) klasifikon gjendjet e sjelljes me saktësi dhe qëndrueshmëri të lartë ndaj dallimeve individuale në shkallët kohore të nën-sekondave. Duke përdorur dekoderin CNN-RNN, ne identifikojmë se zonat e gjymtyrëve të përparme dhe të pasme në korteksin somatosensor kontribuojnë ndjeshëm në klasifikimin e sjelljes.
Gjetjet tona nënkuptojnë se qasja nga fundi në fund ka potencialin të jetë një metodë e interpretueshme e të mësuarit të thellë me vizualizim të paanshëm të rajoneve kritike të trurit.