İnqrid Fadelli , Medical Xpress tərəfindən

Sadie Harley tərəfindən redaktə edilib , Robert Egan tərəfindən nəzərdən keçirilib

 Redaktorların qeydləri

 GIST

Tercih edilən mənbə kimi əlavə edin

Konvolyusional neyron şəbəkəsindən (CNN) alt fəza kodlaşdırma modellərinə xəritələşdirmə. Populyasiya CNN modeli təbii səs kitabxanasının təqdimatı zamanı tək bir yerdə qeydə alınan zamanla dəyişən neyron fəaliyyətini proqnozlaşdırır. Dinamik STRF (dSTRF), stimul spektroqramına nisbətən CNN cavabının qradiyenti kimi hesablanan CNN-in lokal xətti yaxınlaşmalarının toplusudur. Neyronun tənzimləmə alt fəzası bütün zaman nöqtələri üzrə dSTRF-in əsas komponent təhlili (PCA) ilə qiymətləndirilir. Alt fəza qəbuledici sahəsi (SSRF) daha sonra tənzimləmə alt fəzasındakı hər nöqtədə stimullara qarşı orta cavabdır. Müəllif: Wingert və digərləri.

Son onilliklər ərzində kompüter alimləri beyindəki neyron şəbəkələrinin təşkilini və fəaliyyətini təqlid etmək üçün hazırlanmış çoxsaylı süni intellekt (Sİ) sistemlərini təqdim ediblər. Bu yaxınlarda bu modellərdən bəziləri beyni, onun əsas neyron mexanizmlərini və müəyyən funksiyaları necə dəstəklədiyini öyrənmək üçün də faydalı olduğunu sübut edib.

Oregon Səhiyyə və Elm Universiteti və Roçester Universitetinin tədqiqatçılarından ibarət qrup, dərin öyrənmə modellərindən – böyük miqdarda məlumatlardakı nümunələri müəyyən edə bilən inkişaf etmiş süni intellekt alqoritmlərindən – istifadə edərək beynin səslərdəki nümunələri necə emal etdiyini və deşifrə etdiyini daha yaxşı anlamağa çalışıblar.

Onların topladıqları və Nature Neuroscience jurnalında dərc olunmuş məlumatlar göstərir ki, beyindəki müxtəlif neyron növləri səs kodlaşdırmasında fərqli rol oynayır və müəyyən səs xüsusiyyətlərinə cavab verir.

Oregon Səhiyyə və Elm Universitetinin professoru və məqalənin baş müəllifi Stiven Devid Medical Xpress-ə bildirib ki, “Laboratoriyam eşitmə sistemi tərəfindən təbii stimullardan mənalı məlumat çıxarmaq üçün aparılan hesablamaları anlamaqda uzun müddətdir ki, maraqlıdır”.

“Bizim yanaşmamız çox sayda səs stimulunun spektroqramı ilə müvafiq neyron reaksiyası arasındakı funksional əlaqəni ölçən neyron kodlaşdırma modellərindən istifadə etməkdir.”Tək bir eşitmə korteksi (AC) qeyd sahəsi daxilində alt fəza modellərinin müxtəlifliyi. A. Dörd nümunə vahidi üçün üç ən böyük varians alt fəza filtri, hamısı oxşar spektrotemporal sahələri əhatə edir. B. 1 vs. 2 (solda) və 1 vs. 3 (sağ) ölçüləri üçün ikiölçülü alt fəza qəbuledici sahələri (SSRF), tənzimləmə alt fəzasının hər nöqtəsində stimullara qarşı proqnozlaşdırılan orta cavab kimi hesablanır. Daha tünd yaşıl daha yüksək sıçrayış sürətini göstərir. Qara xətlər 0,4-1,2 saniyəlik stimul dövrü ərzində alt fəzada stimulların trayektoriyasını göstərir. C. Üst sətir proqnozlaşdırma dəqiqliyini yoxlamaq üçün istifadə edilən təbii səs ardıcıllığından spektroqramın 4 saniyəlik seqmentini göstərir. Aşağıdakı hər sətir faktiki cavabla (boz) üst-üstə düşən proqnozlaşdırılan PSTH cavabını (qara) göstərir. r hər bir vahidin unikal seçiciliyini vurğulayaraq, həmin vahid üçün model proqnozlaşdırma dəqiqliyini (proqnozlaşdırma korrelyasiyası) göstərir. Kredit: Wingert və başqaları.

Dərin öyrənmə modelləri ilə beynin öyrənilməsi

Bu yaxınlarda Devid və həmkarları beyindəki neyronların müəyyən sensor girişlərinə necə reaksiya verdiyini müstəqil şəkildə proqnozlaşdıra bilən yeni dərin öyrənmə əsaslı modellər, hesablama modelləri hazırlamağa başladılar. Onların yeni metodu keçmişdə hazırladıqları neyron kodlaşdırma modellərindən daha asan şərh edilən modellər yaratdı.

Devid izah etdi: “Dərin öyrənmə modellərinin problemi onların olduqca mürəkkəb olmasıdır, ona görə də onların təkmilləşdirilmiş performansını hansı hesablamalarla izah etdiyini anlaya bilmədik”.

Tədqiqatçılar son tədqiqatlarının bir hissəsi olaraq, beyindən ilhamlanan, konvolyusional neyron şəbəkəsi (CNN) adlanan dərin öyrənmə modeli hazırladılar. Onlar bu modeli səslərin emalı ilə məşğul olan əsas beyin bölgəsi olan eşitmə korteksindəki fərdi neyronların qeydə alınmış fəaliyyəti üzərində öyrətdilər. Xüsusilə, bu səs yazıları heyvanlar geniş təbii səsləri dinləyərkən toplanmışdır.

CNN tam təlim keçib, yəni əvvəllər ayrı bir səs məlumat dəsti üzərində təlim keçməyib. Bu təlim prosesindən sonra model eşitmə korteksindəki neyronların müxtəlif səslərə cavab olaraq fəaliyyətini proqnozlaşdıra bildi, eyni zamanda səslərin hansı xüsusiyyətlərinin spesifik neyronları aktivləşdirdiyi barədə məlumat təqdim etdi.

Devid bildirib ki, “Mövcud tədqiqatın əsas məqsədi tək bir neyronun fəaliyyətini idarə edən səs xüsusiyyətləri ailəsini ölçmək üçün təlim keçmiş modellərdən istifadə edə bilməyimizdir”.

“Bu, model giriş-çıxış əlaqəsinin bir çox lokal xətti yaxınlaşmalarını (böyük CNN-ə uyğun splayn kimi) ölçməklə və sonra bu yaxınlaşmalar üzrə PCA həyata keçirməklə əldə edildi. Bu, az sayda səs xüsusiyyətləri yaratdı və biz onları sinir fəaliyyətinə təsir edən “stimul alt fəzası” adlandırdıq.”

Tədqiqatçılar dərin öyrənmə modellərinin proqnozlarındakı qanunauyğunluqları öyrənməklə nəticədə müxtəlif neyron populyasiyalarını aktivləşdirən səslərin spesifik xüsusiyyətlərini aşkar edə bildilər.

Ümumilikdə, onların araşdırması göstərir ki, təbii səsləri emal edərkən eşitmə korteksindəki hüceyrə qrupları fərqli xüsusiyyətləri ayrıca təhlil edir,

“Bu alt fəza analizindən istifadə edərək, korteksin müxtəlif təbəqələrindəki neyronlar arasında, eləcə də müntəzəm və dar tırmanışlara malik neyronlar (ehtimal olunan həyəcanverici və inhibəedici neyronlar) arasında kodlaşdırma xüsusiyyətlərindəki sistematik fərqləri müəyyən edə bildik”, – deyə David bildirib.

“Həmçinin, eşitmə korteksindəki yaxınlıqdakı neyron populyasiyasının eyni alt məkanı paylaşmağa meylli olduğuna dair dəlillər tapdıq, lakin onların həmin alt məkan daxilindəki selektivliyi yüksək dərəcədə ayrı-seçkiliklidir və daxil olan təbii səslərin seyrək kodunu yaradır. Bu seyrək kod xüsusiyyət tanımağı dəstəklədiyi fərziyyəsi irəli sürülüb.”

Yeni fikirlər və gələcək tədqiqat yolları

Devid və həmkarları tərəfindən toplanan tapıntılar, müxtəlif beyin bölgələrinin müəyyən sensor məlumatlarını necə emal etdiyini öyrənmək üçün dərin öyrənmə alqoritmlərinin potensialını vurğulayır.

Onların son tədqiqatı xüsusilə eşitmə stimullarının dekodlanmasına yönəlsə də, eyni dərin öyrənməyə əsaslanan metod tezliklə vizual siqnalların və ya digər sensor məlumatların emalını öyrənmək üçün istifadə edilə bilər.

Gələcəkdə bu səylər insan beyninin dünyanı anlamasına imkan verən mürəkkəb proseslərə yeni işıq sala bilər, eyni zamanda diqqət, yaddaş, mühakimə və qərar qəbuletmə kimi müxtəlif inkişaf etmiş funksiyaları dəstəkləyə bilər. Bundan əlavə, onlar beynin informasiyanı necə emal etdiyini yaxından əks etdirən yeni süni intellekt sistemlərinin inkişafına yol aça bilər.

Devid əlavə etdi: “İndi alt fəza analizini müxtəlif sensor modalitələrdə sınaqdan keçirmək üçün əməkdaşlar axtarırıq. Öz laboratoriyamda davranış vəziyyətindəki dəyişikliklərin səs kodlaşdırmasına necə təsir etdiyini anlamaqda maraqlıyıq və səs emalı və davranış vəziyyətini birləşdirən multimodal CCN-lər hazırlayırıq.”