Искусственные нейроны помогают расшифровывать сигналы естественных |
||
МЕНЮ Главная страница Поиск Регистрация на сайте Помощь проекту Архив новостей ТЕМЫ Новости ИИ Голосовой помощник Разработка ИИГородские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Искусственный интеллект Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Психология ИИ Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Творчество ИИ Техническое зрение Чат-боты Авторизация |
2021-03-25 10:00 Российские ученые предложили новый алгоритм для автоматической расшифровки и интерпретации сигналов активности головного мозга, который можно использовать как в интерфейсах «мозг-компьютер», так и в фундаментальных исследованиях. Результаты исследования опубликованы в Journal of Neural Engineering. Интерфейсы «мозг-компьютер» необходимы для создания роботизированных протезов и нейроимплантов, тренажеров для реабилитации и устройств, которыми можно управлять «силой мысли». Такие гаджеты помогают людям, перенесшим инсульт или получившим травмы, передвигаться (в случае роботизированного кресла или протезов), общаться, управлять компьютером и бытовыми приборами. Кроме того, нейроинтерфейсы в комбинации с методами машинного обучения помогут разобраться, как работает человеческий мозг. Как правило, нейрокомпьютерные интерфейсы используют данные об электрической активности нейронов мозга, полученные, например, с помощью электро- или магнитоэнцефалографии. Однако для того, чтобы перевести сигналы нейронов в команды, их нужно обработать и декодировать. Традиционные методы обработки сигналов требуют кропотливой работы по выделению информативных признаков – характеристик сигнала, которые с точки зрения исследователя наиболее важны для решения задачи декодирования. Первоначально авторы статьи сосредоточились на данных электрокортикографии (ЭКоГ) – записи нейронной активности, при которой датчики (электроды) расположены под твердой оболочкой, непосредственно на поверхности коры головного мозга, – и разработали архитектуру искусственной нейронной сети, которая позволяет автоматизировать выделение интерпретируемых признаков. По задумке ученых, нейросетевой алгоритм должен быть не слишком сложным с точки зрения количества параметров, автоматически настраиваемым и обеспечивать возможность интерпретации выученных параметров. Последнее требование особенно важно: если оно выполняется, нейронную сеть можно использовать не только для декодирования сигналов, но и для получения новых знаний о работе нейронов, которые очень пригодятся ученым и врачам. Поэтому, помимо новой нейросети для обработки сигналов, авторы работы предложили (и обосновали теоретически) метод интерпретации результатов для целого класса сетей с похожей архитектурой. Нейронная сеть, предложенная авторами статьи, состоит из нескольких схожих по строению ветвей, каждая из которых автоматически настраивается на анализ сигналов отдельной нейронной популяции в определенном диапазоне частот и отстраивается от помех. Для этого в них используются сверточные слои, похожие на те, из которых состоят нейросети, заточенные под анализ изображений, и которые выполняют роли пространственного и частотного фильтров. Зная веса пространственного фильтра, можно определить, где находится нейронная популяция, а веса частотного фильтра показывают, как активность нейронов меняется во времени, а также косвенно свидетельствуют о размере популяции. Чтобы оценить качество работы нейросети в сочетании с новым методом интерпретации ее параметров, ученые сначала сгенерировали набор реалистичных модельных данных – 20 минут активности 44 популяций нейронов. К данным добавили шум, имитирующий помехи при записи сигналов в реальных условиях. Вторым набором данных для проверки стал датасет с соревнования BCI Competition IV, содержащий ЭКоГ-данные нескольких испытуемых, которые периодически спонтанно шевелили пальцем руки. Еще один набор ЭКоГ-данных был собран самими учеными на территории Московского государственного медико-стоматологического университета им. А.И. Евдокимова, который служит клинической базой Центра биоэлектрических интерфейсов НИУ ВШЭ. В отличие от предыдущих данных, записи, собранные учеными, содержали полную геометрическую информацию о расположении ЭКоГ электродов на поверхности коры головного мозга каждого пациента. Это позволило интерпретировать веса пространственных фильтров, выученные нейронной сетью, и разглядеть соматотопию (зависимость положения нейронной популяции на коре головного мозга от части тела, за работу которой она отвечает) в расположении популяций нейронов, которые оказались ключевыми в декодировании движения каждого из пальцев. Нейросеть продемонстрировала хорошие результаты: на датасете BCI Competition IV она сработала наравне с решением, предложенным победителями соревнования, но, в отличие от него, использовала автоматически выделенные признаки. Во время работы как с реальными, так и с модельными данными ученые доказали, что можно детально и корректно интерпретировать параметры весов, причем интерпретация дает физиологически обоснованные результаты. Также разработчики применили новую методику к классификации воображаемых движений на основе неинвазивных (полученных с поверхности головы, без вживления электродов) ЭЭГ-данных. Как и в случае с ЭКоГ, нейронная сеть обеспечила высокую точность декодирования и интерпретируемость признаков. Алексей Осадчий © Высшая школа экономики «Мы уже используем наш подход для построения инвазивных интерфейсов мозг-компьютер, а также для решения задач предоперационного картирования коры, необходимого, чтобы гарантировать сохранение ключевых поведенческих функций после операции на головном мозге, – комментирует руководитель исследования, директор Центра биоэлектрических интерфейсов НИУ ВШЭ Алексей Осадчий. – В ближайшем будущем разработанная методика может быть применена для автоматического извлечения знаний о принципах реализации поведенческих функций в головном мозге». В исследовании приняли участие сотрудники Центра биоэлектрических интерфейсов НИУ ВШЭ и Московского государственного медико-стоматологического университета им. А.И. Евдокимова. Источник: www.hse.ru Комментарии: |
|