Марьям Шанечи и ее команда разработали новый метод машинного обучения, который выявляет удивительно последовательные внутренние закономерности работы мозга у разных субъектов, отделяя эти закономерности от воздействия визуальных сигналов. Работа была опубликована в журнале Proceedings of the National Academy of Sciences .
При выполнении различных повседневных двигательных действий, таких как тянуться за книгой, нашему мозгу приходится воспринимать информацию, часто в форме визуальных данных — например, видеть, где находится книга. Затем нашему мозгу приходится обрабатывать эту информацию внутренне, чтобы координировать деятельность наших мышц и выполнять движение.
Но как миллионы нейронов нашего мозга выполняют такую задачу? Чтобы ответить на этот вопрос, необходимо изучить закономерности коллективной активности нейронов, но при этом отделить влияние входных данных от внутренних (то есть внутренних) процессов нейронов, независимо от того, связаны они с движением или нет.
Вот что говорит Шанечи, ее доктор философии. Студентка Парса Вахиди и научный сотрудник ее лаборатории Омид Сани разработали новый метод машинного обучения, который моделирует нейронную активность, принимая во внимание как двигательное поведение, так и сенсорную информацию .
«Предыдущие методы анализа данных мозга либо учитывали нейронную активность и входные данные, но не поведение, либо учитывали нейронную активность и поведение, но не входные данные», — сказал Шанечи.
«Мы разработали метод, который может учитывать все три сигнала — нейронную активность, поведение и входные данные — при извлечении скрытых паттернов мозга. Это позволило нам не только распутать связанные с входными данными и внутренние нейронные паттерны, но также выделить, какие внутренние паттерны были связаны между собой. к двигательному поведению, а которые нет».
Шанечи и ее команда использовали этот метод для изучения трех общедоступных наборов данных, в ходе которых три разных испытуемых выполняли одну из двух различных задач движения, состоящих из перемещения курсора на экране компьютера по сетке или последовательного перемещения его в случайные места.
«При использовании методов, которые не учитывали все три сигнала, закономерности, обнаруженные в нейронной активности этих трех испытуемых, выглядели по-разному», — сказал Вахиди. Но когда команда использовала новый метод для рассмотрения всех трех сигналов, в нейронной активности всех трех испытуемых возникла удивительно последовательная скрытая закономерность, имеющая отношение к движению. Это сходство имело место несмотря на то, что задачи, выполняемые тремя испытуемыми, также были разными.
«Помимо выявления этой новой закономерности, метод также улучшил прогнозирование нейронной активности и поведения по сравнению с тем, когда все три сигнала не учитывались во время машинного обучения , как в предыдущей работе», — сказал Сани. «Новый метод позволяет исследователям более точно моделировать нейронные и поведенческие данные, учитывая различные измеряемые входные данные в мозг, такие как сенсорные входные сигналы, как в этой работе, электрическую или оптогенетическую стимуляцию или даже входные данные из разных областей мозга».
Этот метод и обнаруженная закономерность могут помочь нам понять, как наш мозг выполняет движения, руководствуясь информацией, которую мы получаем из внешнего мира. Кроме того, моделируя влияние входных данных и выделяя внутренние паттерны, релевантные для поведения , этот метод может помочь разработать будущие интерфейсы «мозг-компьютер», которые регулируют аномальные паттерны работы мозга при таких расстройствах, как большая депрессия, путем оптимизации внешних входных данных, таких как терапия глубокой стимуляции мозга. .
«Мы воодушевлены тем, как этот алгоритм может способствовать как научным открытиям, так и развитию будущих нейротехнологий для миллионов пациентов с неврологическими или психоневрологическими расстройствами », — сказал Шанечи.
