Расшифровка того, что видит глаз


Последний прорыв в работе мозга – это реконструкция того, что видит глаз, по активности нейронов, образующих зрительный нерв. Человеко-машинные нейроинтерфейсы становятся все ближе.

Понимание того, как настоящие нейроны работают вместе, – огромная задача, и мы делаем лишь маленькие шаги к цели. Самая последняя работа заключалась в регистрации сигналов от нейронов на задней стороне сетчатки и успешном восстановлении видео из случайно движущихся точек, которые отображались в то время.
Если вы думаете, что это простая задача, вам нужно помнить о том, как работают настоящие нейроны. Глаз не похож на видеосистему с уровнями сигнала, пропорциональными свету. Нейрон генерирует импульсы с нерегулярными интервалами, даже когда ничего не происходит. Скорость стрельбы увеличивается по мере увеличения входной стимуляции. Сеть – это сеть с пиками, скорость активации которой примерно коррелирует с активностью.
Исследовательская группа, Висенте Ботелла-Солер, Стефан Дени, Георг Мартиус, Оливье Марре и Гашпер Ткачик из Сорбонского университета, Института интеллектуальных систем Макса Планка и Института науки и технологий Австрии, поставила перед собой задачу установить рекорд из 100 нейронов сетчатки глаза крыс. пока они смотрели видео беспорядочно движущихся дисков.
Данные были проанализированы разными способами, но удивительно, что простейший подход, основанный на регуляризованной линейной регрессии, работал достаточно хорошо. Важным моментом является то, что во всем анализе использовались акаузальные фильтры – это означает, что все данные использовались так, как если бы они были моментальным снимком активности за определенный промежуток времени. Причинно-следственная обработка, когда анализ ограничивается текущей и прошлой деятельностью, дает плохие результаты. Это означает, что будет сложно использовать эту технику, чтобы показать, на что крысы смотрят в реальном времени.
Были опробованы и другие, более сложные методы, включая нелинейную версию регрессии и глубокую нейронную сеть. Как и следовало ожидать, оба работали лучше, чем линейная, с нейронной сетью, а также с лучшей нелинейной регрессией.
Небольшое, но любопытное наблюдение в статье о нейронной сети стоит повторить, если кто-нибудь сможет его объяснить:
Интересно, что только около 42 единиц на скрытый слой имеют ненулевые соединения после обучения. Хотя, если начать всего с 50 единиц, мы увидели худшую производительность.
Модель началась со 150 единиц в скрытом слое.
Вы можете увидеть реконструированное видео по сравнению с входным видео:

Затем команда продолжает исследовать природу кодирования, выполняемого сетчаткой:
«Здесь мы предложили простой механизм, позволяющий отличить спонтанную активность от активности, вызванной стимулом, используя зависимость нейронных импульсов от истории: поскольку кодирование нейронов является нелинейным, эффект зависимости от истории импульсов на возбуждение нейронов существенно различается между эпохами, в которых нейрон также испытывает сильное воздействие. возбуждение стимула и эпохи, в которых это не происходит. В таких ситуациях нелинейные методы могут различать истинную флуктуацию стимула и спонтанное возбуждение, исходя из статистической структуры, присущей отдельным цепочкам спайков, даже если средняя частота возбуждения существенно не меняется между разными эпох. Этот механизм не является специфическим для сетчатки и может применяться в других системах, которые проявляют как вызванную стимулом, так и спонтанную активность ».
Прежде чем вы начнете представлять себе использование этой технологии, которое распространяется на научную фантастику, стоит отметить, что ганглиозные клетки являются последним слоем нейронов, составляющих сетчатку. Их аксоны связаны вместе, образуя зрительный нерв. Так что с инженерной точки зрения мы подключаемся к кабелю видеоподачи, а не к мозгу. Мозг берет результат этого слоя и превращает его в богатое представление мира, которое мы принимаем как должное, и чтобы выяснить, как он это делает, нам нужно перейти на другой конец кабеля.


Добавить комментарий