Neurale netaktiveringer er tilpasset gammabåndaktiviteten af ​​den menneskelige visuelle cortex

Forskere ved University of Tartu's Computational Neuroscience Lab, i Estland, har opdaget, at aktiveringer af dybe konvolutions neurale netværk er i overensstemmelse med gammabåndsaktiviteten i den menneskelige visuelle cortex. Deres studie, udgivet i Kommunikationsbiologi , fremhæver yderligere potentialet ved kunstig intelligens (AI) til at udvide forståelsen af ​​den menneskelige hjerne.

Den menneskelige evne til visuelt at genkende objekter er medieret af et hierarki af komplekse egenskabsrepræsentationer langs den ventrale strøm. Tidligere forskning har fundet ud af, at disse ligner hierarkiet af transformationer lært af dybe konvolutionelle neurale netværk (DCNN) trænet på billeder.

"Fra tidligere forskning vidste vi, at der er en overensstemmelse mellem den hierarkiske arkitektur af det menneskelige visuelle system og den lagdelte arkitektur af DCNN'er, "Jaan Aru, Raul Vicente, og Ilya Kuzovkin, tre af de forskere, der har udført undersøgelsen, fortalte TechXplore. "Imidlertid, denne forskning var afhængig af neuroimaging teknikker såsom fMRI og MEG, som hver især har sine egne begrænsninger."

MEG-billeddannelse fanger kun den gennemsnitlige aktivitet af store populationer af neuroner på én gang, mens fMRI ikke fanger tidsmæssig information. Derfor, forskerne besluttede at indsamle deres datasæt ved hjælp af intrakranielle elektroder implanteret direkte i hjernen på deres testpersoner. Denne teknik kan identificere, hvornår hjerneaktivitet sker, dens anatomiske placering, og hvordan det ændrer sig over tid.

"Dette gjorde det muligt for os at udforske mere detaljeret den aktivitet, der styrer visuel behandling i den menneskelige hjerne og karakterisere mere præcist, hvilken slags aktivitet der har ligheder med aktiviteten af ​​DCNN'er, " sagde forskerne.

DCNN'er er en type maskinlæringsalgoritme til computersyn, som klarer sig særligt godt på objektgenkendelsesopgaver. Deres nøglefunktion er, at de erhverver regler til at klassificere objekter automatisk, uden at menneskelige ingeniører skitserer dem.

Under træning, DCNN'er trænes på tusindvis af billeder af objekter (f.eks. katte, træer, biler, etc.), lære at skelne visuelle træk ved hver af disse kategorier. Algoritmerne kan derefter korrekt identificere objekter i billeder, de aldrig har mødt før, med op til 95 procents nøjagtighed.

"En DCNN består af lag af kunstige neuroner, hvor hvert lag udfører bestemte operationer på billedet og derefter sender information til det næste lag, " sagde forskerne. "Under træning, Algoritmen danner regler om, hvilken information der skal sendes til de øverste lag og hvornår."

Nylige undersøgelser har undersøgt de nøjagtige mønstre og funktioner, som en DCNN har lært. De fandt ud af, at når man dykker dybere ned i dens lag, de visuelle mønstre repræsenteret af dens neuroner bliver stadig mere komplekse.

"Det første lag er ansvarlig for at detektere lige linjer, ændringer i lysstyrke og andre simple visuelle funktioner, " forklarer forskerne. "Denne information videregives til det andet lag, som kombinerer simple funktioner til at bygge detektorer, der kan identificere simple former. Og sådan skrider det frem, bliver mere og mere abstrakt med hvert lag, med neuroner i det højere lag, der repræsenterer hele objekter, såsom katte, hunde og så videre. Vi vidste, at et meget lignende fænomen observeres i den menneskelige visuelle cortex, så det åbenlyse spørgsmål var:Hvor ens er disse to systemer, og hvad er deres ligheder? "

Når man måler elektriske reaktioner fra hjernen, forskere observerer komplekse aktivitetsmønstre. Disse mønstre er grupperet efter deres frekvens:alfa (otte til 14 gange pr. sekund), beta (15 til 30 Hz), gamma (fra 30 til ~ 70 Hz), høj gamma (mere end 70 Hz), og andre bands. Disse frekvensbånd har vist sig at afhænge af forskellige typer aktivitet. For eksempel, alfa er stærkere, når mennesker er afslappede, mens beta og gamma øges under aktivt engagement i en opgave.

"Vi fandt ud af, at aktivitet i lav gamma (30 til 70 Hz) og høj gamma (70 til 150 Hz) er bedst afstemt med den aktivitet, der sker i DCNN'er, hvilket indikerer, at det, der sker i hjernen ved disse frekvenser, mest ligner det, DCNN'er gør, " sagde forskerne.

Disse resultater er i overensstemmelse med tidligere forskning, der fremhæver vigtigheden af ​​gamma-aktivitet for genkendelse af objekter. I fremtiden, de kunne hjælpe til bedre at forstå de nøjagtige beregninger, der reflekteres af gammafrekvenssignaler under visuel behandling.

"Neurovidenskabens ultimative søgen er at forstå, hvordan hjernen koder, lagrer og transmitterer information, og hvordan affyring af milliarder af neuroner fører til komplekse mentale processer, såsom at forstå en tekst eller kommunikere den til en ven, "sagde forskerne." Dette arbejde giver endnu et stykke af dette enorme puslespil, og fremhæver den vigtige rolle, som AI-algoritmer kan spille i forståelsen af ​​den menneskelige hjerne."

Computational Neuroscience Lab ved University of Tartu studerer biologiske og kunstige læringssystemer side om side, da en sammenligning af dem kunne føre til fascinerende biologiske opdagelser. Forskerne arbejder nu på to yderligere projekter, som vil udgøre kernen i Kuzovkins ph.d.-afhandling.

"I et af projekterne, vi skal se på den indre funktion af en algoritme, som vi trænede til at forstå menneskelige hjernedata; at undersøge, hvilken hjerneaktivitet den anser for nyttig til slutopgaven, og hvilken den kasserer. Dette vil give et værktøj til at gennemgå store mængder aktivitet og filtrere dele fra, der er relevante for en bestemt mental opgave."

© 2018 Tech Xplore