Neurální dekódování - Neural decoding

Neural dekódování je neuroscience týká hypotetickou rekonstrukci senzorických a jinými podněty na základě informací, které již byly kódovány a zastoupených v poli mozku pomocí sítě z neuronů . Rekonstrukce se týká schopnosti výzkumníka předvídat, jaké smyslové podněty subjekt dostává na základě čistě akčních potenciálů neuronů . Proto je hlavním cílem neurálního dekódování charakterizovat, jak elektrická aktivita neuronů vyvolává aktivitu a reakce v mozku.

Tento článek konkrétně odkazuje na nervové dekódování, protože se týká savčího neokortexu .

Přehled

Při pohledu na obrázek se mozek lidí neustále rozhoduje o tom, na jaký předmět se dívá, kam potřebuje dále pohnout očima a co považuje za nejvýraznější aspekty vstupního podnětu. Když tyto obrázky zasáhly zadní část sítnice, jsou tyto podněty převedeny z různých vlnových délek na sérii neurálních špiček nazývaných akční potenciály . Tyto vzorce akčních potenciálů se liší pro různé objekty a různé barvy; říkáme proto, že neurony kódují objekty a barvy změnou jejich špiček nebo časového vzorce. Pokud by někdo prozkoumal mozek umístěním elektrod do primární zrakové kůry , mohl by najít něco, co se zdá být náhodnou elektrickou aktivitou. Tyto neurony ve skutečnosti vypalují v reakci na nižší úrovně vizuálního vstupu, možná na okraje rámečku obrázku. To zdůrazňuje jádro hypotézy neurálního dekódování: že je možné rekonstruovat podnět z odezvy souboru neuronů, které jej reprezentují. Jinými slovy, je možné se podívat na data spike vlaku a říci, že zaznamenávaná osoba nebo zvíře se dívá na červenou kouli.

S nedávným průlomem ve velkém měřítku neurálních záznamových a dekódovacích technologií začali vědci rozluštit neurální kód a již poskytli první pohled do neurálního kódu paměťových stop v reálném čase, jak se paměť vytváří a připomíná v hippocampu, mozku oblast známá jako ústřední pro formování paměti. Neurologové zahájili rozsáhlé mapování mozkové aktivity nebo projekt dekódování mozku za účelem konstrukce neuronových kódů celého mozku.

Kódování na dekódování

Hypotézou dekódování implikuje předpoklad, že neurální spiknutí v mozku nějak představuje podněty ve vnějším světě. Dekódování neurálních dat by bylo nemožné, kdyby neurony střílely náhodně: nic by nebylo reprezentováno. Tento proces dekódování neurálních dat tvoří smyčku s neurálním kódováním . Za prvé, organismus musí být schopen vnímat soubor podnětů ve světě - řekněme obrázek klobouku. Vidění podnětů musí vyústit v nějaké interní učení: fáze kódování . Po změně rozsahu podnětů, které jsou pozorovateli předloženy, očekáváme, že se neurony přizpůsobí statistickým vlastnostem signálů a zakódují ty, které se vyskytují nejčastěji: hypotéza efektivního kódování . Nyní je neurální dekódování procesem převzetí těchto statistických konzistencí, statistického modelu světa a reprodukce podnětů. To se může mapovat na proces myšlení a jednání, což zase vede k tomu, jaké podněty přijímáme, a tím k dokončení smyčky.

Aby bylo možné vytvořit model dat neurálních špiček, je třeba pochopit, jak jsou informace původně uloženy v mozku, a jak jsou tyto informace použity později. Tato neurální smyčka kódování a dekódování je symbiotickým vztahem a jádrem algoritmu učení mozku. Kromě toho jsou procesy, které jsou základem neurálního dekódování a kódování, velmi úzce propojeny a mohou vést k různým úrovním reprezentativní schopnosti.

Prostorová rozlišení

Velká část problému s neurálním dekódováním závisí na prostorovém rozlišení shromažďovaných dat. Počet neuronů potřebných k rekonstrukci stimulu s rozumnou přesností závisí na prostředcích, kterými jsou data shromažďována, a na zaznamenávané oblasti. Například tyčinky a čípky (které reagují na barvy malých vizuálních oblastí) v sítnici mohou vyžadovat více záznamů než jednoduché buňky (které reagují na orientaci čar) v primární zrakové kůře.

Předchozí metody záznamu se spoléhaly na stimulaci jednotlivých neuronů během opakované série testů, aby bylo možné zobecnit chování tohoto neuronu. Nové techniky, jako jsou vysokodenzitní víceelektrodové maticové záznamy a vícefotonové kalciové zobrazovací techniky, nyní umožňují záznam z několika stovek neuronů. I při lepších záznamových technikách musí být tyto záznamy zaměřeny na oblast mozku, která je zvládnutelná i kvalitativně chápaná. Mnoho studií se zaměřuje na data spike vlaku shromážděná z gangliových buněk v sítnici, protože tato oblast má výhody v tom, že je přísně dopředná , retinotopická a přístupná současným záznamovým zrnitostem. Trvání, intenzitu a umístění stimulu lze řídit tak, aby vzorkovalo například konkrétní podskupinu gangliových buněk ve struktuře vizuálního systému. Jiné studie používají spike vlaky k hodnocení diskriminační schopnosti nevizuálních smyslů, jako jsou obličejové vousy potkanů a čichové kódování neuronů receptoru feromonů můry.

I při stále se zlepšujících záznamových technikách vždy narazíme na omezený problém s odběrem vzorků: vzhledem k omezenému počtu záznamových pokusů není možné zcela vysvětlit chybu spojenou s hlučnými daty získanými ze stochasticky fungujících neuronů (například neuronových elektrický potenciál kolísá kolem svého klidového potenciálu v důsledku konstantního přílivu a odlivu iontů sodíku a draslíku ). Proto není možné dokonale zrekonstruovat podnět z dat špiček. Naštěstí i při hlučných datech lze podnět stále rekonstruovat v přijatelných mezích chyb.

Časová usnesení

Časové intervaly a frekvence podnětů předkládaných pozorovateli jsou také důležité pro dekódování neurálního kódu. Rychlejší časové intervaly a vyšší frekvence vyžadují rychlejší a přesnější reakce v datech neurálních špiček. U lidí byla milisekundová přesnost pozorována v celém zrakovém kortexu , sítnici a laterálním geniculárním jádru , takže by se dalo předpokládat, že toto je vhodná měřicí frekvence. To bylo potvrzeno ve studiích, které kvantifikují reakce neuronů v laterálním geniculate jádru na bílý šum a naturalistické filmové podněty. Na buněčné úrovni funguje plasticita závislá na časování špiček v milisekundových časových intervalech; proto by modely hledající biologický význam měly být schopné provádět v těchto časových měřítcích.

Pravděpodobnostní dekódování

Při dekódování neurálních dat může být rozsah dostupných dat dobou příjezdu každého špice a pravděpodobností vidění určitého podnětu . Dřívější distribuce definuje soubor signálů, a představuje pravděpodobnost vidět stimul ve světě na základě předchozích zkušeností. Doby hrotů lze také čerpat z distribuce ; co však chceme vědět, je rozdělení pravděpodobnosti přes sadu podnětů daných řadou špičkových vlaků , které se říká soubor podmíněný odezvou . Zbývá charakterizace nervového kódu překladem podnětů do hrotů ; tradičním přístupem k výpočtu tohoto rozdělení pravděpodobnosti bylo fixovat podnět a zkoumat reakce neuronu. Kombinací vše pomocí pravidlo Bayesův výsledky ve zjednodušeném pravděpodobnostním charakterizaci nervové dekódování: . Oblast aktivního výzkumu spočívá v hledání lepších způsobů reprezentace a určování . Následuje několik takových příkladů. ${\ displaystyle t_ {1}, {\ text {}} t_ {2}, {\ text {}} ..., {\ text {}} t_ {n} {\ text {}} = {\ text { }} \ {t_ {i} \}}$ ${\ Displaystyle P [s (t)]}$ ${\ Displaystyle P [s (t)]}$ ${\ displaystyle P [\ {t_ {i} \}]}$ ${\ Displaystyle P [s (t) | \ {t_ {i} \}]}$ ${\ Displaystyle P [\ {t_ {i} \} | s (t)]}$ ${\ Displaystyle P [s (t) | \ {t_ {i} \}] = P [\ {t_ {i} \} | s (t)]*(P [s (t)]/P [\ { t_ {i} \}])}$ ${\ Displaystyle P [\ {t_ {i} \} | s (t)]}$

Spike číslo vlaku

Nejjednodušší kódovací strategií je kódování špiček . Tato metoda předpokládá, že číslo špičky je nejdůležitější kvantifikací dat spike vlaku. Při kódování čísel spike vlaku je každý stimul reprezentován jedinečnou rychlostí střelby napříč vzorkovanými neurony. Červená barva může být označena 5 celkovými hroty v celé sadě neuronů, zatímco zelená barva může být 10 špiček; každý hrot je spojen do celkového počtu. To je reprezentováno:

${\ Displaystyle P (r | s) = \ prod _ {} P (n_ {ij} | s)}$

kde počet špiček je počet špiček neuronu v době prezentace stimulu a s je stimul. ${\ displaystyle r = n =}$ ${\ displaystyle n_ {ij}}$ ${\ displaystyle i}$ ${\ displaystyle j}$

Kód okamžité sazby

Přidání malé časové složky má za následek strategii kódování časování špiček . Zde je hlavní měřenou veličinou počet špiček, které se vyskytují v předem definovaném časovém okně T. Tato metoda přidává další dimenzi k předchozímu. Tento časový kód je dán:

P (/Sr.) = 2 indexujeme hr např

kde je j -tý špička na l. prezentaci neuronu i, je rychlost střelby neuronu i v čase t a 0 až T je čas začátku a konce každé zkoušky. ${\ displaystyle t_ {ijl}}$ ${\ displaystyle v_ {i} (t | s)}$

Časová korelace

Časový korelační kód , jak název napovídá, přidává korelace mezi jednotlivými hroty. To znamená, že je zahrnut čas mezi hrotem a jeho předchozím hrotem . To je dáno: ${\ displaystyle t_ {i}}$ ${\ displaystyle t_ {i-1}}$

${\ Displaystyle P (r | s) = \ prod _ {l} \ left [\ prod _ {i, j} v_ {i} (t_ {ijl}, \ tau (t_ {ijl}) | s) dt \ vpravo] exp \ vlevo [-\ součet _ {i} \ int _ {0}^{T} dtv_ {i} (t, \ tau (t) | s) \ vpravo]}$

kde je časový interval mezi hrotem neuronů a tím, který mu předchází. ${\ displaystyle \ tau (t)}$

Ising dekodér

Další popis dat neuronového spike vlaku využívá Isingův model vypůjčený z fyziky magnetických otočení. Protože neurální spiky jsou efektivně binarizované (buď zapnuté nebo vypnuté) v malých časových měřítcích (10 až 20 ms), Isingův model je schopen efektivně zachytit současné párové korelace a je dán:

${\ Displaystyle P (r | s) = {\ frac {1} {\ mathrm {Z} (s)}} exp \ left (\ sum _ {i} h_ {i} (s) r_ {i}+{ \ frac {1} {2}} \ sum _ {i \ neq j} J_ {ij} (s) r_ {i} r_ {j} \ right)}$

kde je množina binárních odpovědí neuronu i, je na vnější pole fungovat , je po dvou funkci spojky a je funkce partition ${\ Displaystyle r = (r_ {1}, r_ {2}, ..., r_ {n})^{T}}$ ${\ displaystyle h_ {i}}$ ${\ displaystyle J_ {ij}}$ ${\ displaystyle \ mathrm {Z} (s)}$

Dekódování založené na agentech

Kromě pravděpodobnostního přístupu existují modely založené na agentech , které zachycují prostorovou dynamiku zkoumaného nervového systému. Jedním z takových modelů je hierarchická dočasná paměť , což je rámec strojového učení, který organizuje problém s vizuálním vnímáním do hierarchie interagujících uzlů (neuronů). Spojení mezi uzly na stejných úrovních a nižších úrovních se nazývají synapse a jejich interakce se následně učí. Silné stránky Synapse modulují učení a jsou měněny na základě časového a prostorového spouštění uzlů v reakci na vstupní vzorce.

I když je možné vzít rychlost střelby těchto modelovaných neuronů a transformovat je do výše popsaných pravděpodobnostních a matematických rámců, modely založené na agentech poskytují schopnost pozorovat chování celé populace modelovaných neuronů. Výzkumníci mohou obejít implicitní omezení pomocí laboratorních záznamových technik. Protože tento přístup spoléhá na modelování biologických systémů, vzniká chyba v předpokladech učiněných výzkumníkem a v datech použitých při odhadu parametrů .

Použitelnost

Pokrok v našem chápání neurálního dekódování prospívá vývoji rozhraní mozek-stroj , protetice a porozumění neurologickým poruchám, jako je epilepsie .

Languages

In other projects