Nevral dekoding - Neural decoding

Nevral dekoding er et nevrovitenskapelig felt som er opptatt av den hypotetiske rekonstruksjonen av sensoriske og andre stimuli fra informasjon som allerede er blitt kodet og representert i hjernen av nettverk av nevroner . Rekonstruksjon refererer til evnen til forskeren å forutsi hva sensoriske stimuli motivet mottar basert utelukkende på neuron aksjonspotensialer . Derfor er hovedmålet med nevral dekoding å karakterisere hvordan den elektriske aktiviteten til nevroner fremkaller aktivitet og respons i hjernen.

Denne artikkelen refererer spesifikt til nevral dekoding som det gjelder neocortex hos pattedyr .

Oversikt

Når man ser på et bilde, tar folks hjerner stadig avgjørelser om hvilket objekt de ser på, hvor de trenger å bevege øynene sine neste gang, og hva de synes er de mest fremtredende aspektene av input -stimulansen. Etter hvert som disse bildene treffer baksiden av netthinnen, blir disse stimuliene konvertert fra varierende bølgelengder til en rekke nevrale pigger kalt aksjonspotensialer . Disse handlingspotensialene er forskjellige for forskjellige objekter og forskjellige farger; vi sier derfor at nevronene koder for objekter og farger ved å variere deres pigghastighet eller tidsmønster. Hvis noen skulle undersøke hjernen ved å plassere elektroder i den primære visuelle cortex , kan de finne det som ser ut til å være tilfeldig elektrisk aktivitet. Disse nevronene skyter faktisk som svar på funksjonene på lavere nivå av visuell inngang, muligens kantene på en bilderamme. Dette fremhever kjernen i den nevrale dekodingshypotesen: at det er mulig å rekonstruere en stimulus fra responsen fra ensemblet av nevroner som representerer den. Med andre ord er det mulig å se på piggtogdata og si at personen eller dyret som blir registrert ser på en rød ball.

Med det siste gjennombruddet i storskala nevrale opptaks- og dekodingsteknologier, har forskere begynt å knekke nevrale koder og allerede gitt det første innblikk i sanntids nevrale kode for minnespor etter hvert som hukommelsen dannes og tilbakekalles i hippocampus, en hjerne region kjent for å være sentral for minnedannelse. Nevrovitere har startet et stort kartlegging av hjerneaktivitet eller hjerneavkodingsprosjekt for å konstruere de hjernedækkende nevrale kodene.

Koding til dekoding

Implisitt om avkodingshypotesen er antagelsen om at nevral spiking i hjernen på en eller annen måte representerer stimuli i den ytre verden. Avkodingen av nevrale data ville være umulig hvis nevronene avfyrte tilfeldig: ingenting ville bli representert. Denne prosessen med dekoding av nevrale data danner en sløyfe med nevral koding . For det første må organismen være i stand til å oppfatte et sett med stimuli i verden - si et bilde av en hatt. Å se stimuliene må resultere i noe intern læring: kodingsstadiet . Etter å ha variert størrelsen på stimuli som blir presentert for observatøren, forventer vi at nevronene tilpasser seg de statistiske egenskapene til signalene , og koder for de som forekommer hyppigst: den effektivt kodende hypotesen . Nå er nevral dekoding prosessen med å ta disse statistiske konsistensene, en statistisk modell av verden, og reprodusere stimuliene. Dette kan kartlegge prosessen med tenkning og handling, som igjen styrer hvilke stimuli vi mottar, og dermed fullfører løkken.

For å bygge en modell av nevrale piggdata, må man både forstå hvordan informasjon opprinnelig lagres i hjernen og hvordan denne informasjonen brukes på et senere tidspunkt. Denne nevrale kodings- og dekodingsløkken er et symbiotisk forhold og kjernen i hjernens læringsalgoritme. Videre er prosessene som ligger til grunn for nevral dekoding og koding veldig tett koblet og kan føre til varierende nivåer av representativ evne.

Romlige resolusjoner

Mye av det nevrale dekodingsproblemet avhenger av den romlige oppløsningen til dataene som samles inn. Antall nevroner som trengs for å rekonstruere stimulus med rimelig nøyaktighet, avhenger av hvordan data samles inn og området som registreres. For eksempel kan stenger og kjegler (som reagerer på farger på små visuelle områder) i netthinnen kreve flere opptak enn enkle celler (som reagerer på orientering av linjer) i den primære visuelle cortex.

Tidligere innspillingsmetoder stolte på å stimulere enkeltnevroner over en gjentatt serie tester for å generalisere denne nevronets oppførsel. Nye teknikker som multi-electrode array-opptak med høy tetthet og multi-foton kalsiumavbildningsteknikker gjør det nå mulig å ta opp fra noen få hundre nevroner. Selv med bedre innspillingsteknikker må fokuset på disse opptakene være på et område i hjernen som er både håndterbart og kvalitativt forstått. Mange studier ser på piggtogdata samlet fra ganglioncellene i netthinnen, siden dette området har fordelene med å være strengt feedforward , retinotopic og mottagelig for gjeldende registrering av granulariteter. Varigheten, intensiteten og plasseringen av stimulansen kan kontrolleres for å prøve for eksempel en bestemt delmengde av ganglionceller i en struktur i det visuelle systemet. Andre studier bruker piggetog for å evaluere den diskriminerende evnen til ikke-visuelle sanser, for eksempel ansiktshår av rotter og luktkodingen av møllferomonreseptorneuroner.

Selv med stadig bedre opptaksteknikker, vil man alltid løpe inn i det begrensede prøvetakingsproblemet: gitt et begrenset antall opptaksprøver, er det umulig å fullstendig redegjøre for feilen forbundet med støyende data hentet fra stokastisk fungerende nevroner (for eksempel et nevron elektrisk potensial svinger rundt hvilepotensialet på grunn av konstant tilstrømning og utstrømning av natrium- og kaliumioner ). Derfor er det ikke mulig å perfekt rekonstruere en stimulans fra piggdata. Heldigvis, selv med støyende data, kan stimulansen fremdeles rekonstrueres innenfor akseptable feilgrenser.

Midlertidige vedtak

Tidsplaner og frekvenser for stimuli som presenteres for observatøren er også av betydning for avkoding av nevrale koder. Raskere tidsskalaer og høyere frekvenser krever raskere og mer presise svar i nevrale piggdata. Hos mennesker har millisekund presisjon blitt observert gjennom den visuelle cortex , netthinnen og den laterale geniculate kjernen , så man skulle mistenke at dette var den passende målefrekvensen. Dette har blitt bekreftet i studier som kvantifiserer responsene til nevroner i den laterale geniculate kjernen til hvitstøy og naturalistiske filmstimuli. På mobilnivå opererer spike-timing-avhengig plastisitet på millisekunder; derfor burde modeller som søker biologisk relevans kunne utføre på disse tidsmessige skalaene.

Sannsynlig dekoding

Ved dekoding av nevrale data kan ankomsttiden for hver pigg og sannsynligheten for å se en viss stimulans være omfanget av tilgjengelige data. Den tidligere distribusjonen definerer et ensemble av signaler, og representerer sannsynligheten for å se en stimulans i verden basert på tidligere erfaring. Toppetidene kan også hentes fra en fordeling ; Det vi vil vite er imidlertid sannsynlighetsfordelingen over et sett med stimuli gitt en serie piggetog , som kalles respons-betinget ensemble. Det som gjenstår er å karakterisere det nevrale kode ved å oversette stimuli inn pigger, ; den tradisjonelle tilnærmingen til å beregne denne sannsynlighetsfordelingen har vært å fikse stimulansen og undersøke responsene til nevronet. Kombinere alt med Bayes regel resultater i den forenklede sannsynlighets karakterisering av nevrale dekoding: . Et område med aktiv forskning består av å finne bedre måter å representere og bestemme . Følgende er noen slike eksempler. ${\ displaystyle t_ {1}, {\ text {}} t_ {2}, {\ text {}} ..., {\ text {}} t_ {n} {\ text {}} = {\ text { }} \ {t_ {i} \}}$ ${\ displaystyle P [s (t)]}$ ${\ displaystyle P [s (t)]}$ ${\ displaystyle P [\ {t_ {i} \}]}$ ${\ displaystyle P [s (t) | \ {t_ {i} \}]}$ ${\ displaystyle P [\ {t_ {i} \} | s (t)]}$ ${\ displaystyle P [s (t) | \ {t_ {i} \}] = P [\ {t_ {i} \} | s (t)]*(P [s (t)]/P [\ { t_ {i} \}])}$ ${\ displaystyle P [\ {t_ {i} \} | s (t)]}$

Spike tognummer

Den enkleste kodingsstrategien er piggetogskoding . Denne metoden forutsetter at piggetallet er den viktigste kvantifiseringen av piggtogdata. I koding av piggtog er hver stimulus representert med en unik avfyringshastighet på tvers av de samplede nevronene. Fargen rød kan betegnes med 5 totale pigger over hele settet med nevroner, mens fargen grønn kan være 10 pigger; hver pigg slås sammen til en samlet telling. Dette er representert av:

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

hvor antall pigger, er antall pigger av nevron ved stimulanspresentasjonstid , og s er stimulansen. ${\ displaystyle r = n =}$ ${\ displaystyle n_ {ij}}$ ${\ displaystyle i}$ ${\ displaystyle j}$

Umiddelbar takstkode

Å legge til en liten tidsmessig komponent resulterer i kodingsstrategien for spike timing . Her er hovedmengden målt som antall pigger som oppstår i et forhåndsdefinert tidsvindu T. Denne metoden legger til en annen dimensjon til den forrige. Denne tidskoden er gitt av:

P (/Sr.) = 2 vi indekserer timer f.eks

hvor er den jte piggen på den andre presentasjonen av nevron i, er avfyringshastigheten til nevron i på tidspunktet t, og 0 til T er starten på stopptiden for hver prøve. ${\ displaystyle t_ {ijl}}$ ${\ displaystyle v_ {i} (t | s)}$

Midlertidig korrelasjon

Temporal korrelasjonskode , som navnet sier, legger til korrelasjoner mellom individuelle pigger. Dette betyr at tiden mellom en pigg og den foregående piggen er inkludert. Dette er gitt av: ${\ displaystyle t_ {i}}$ ${\ displaystyle t_ {i-1}}$

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

hvor er tidsintervallet mellom en neuronspike og den som går foran den. ${\ displaystyle \ tau (t)}$

Ising -dekoder

En annen beskrivelse av nevrale piggetogdata bruker Ising -modellen som er lånt fra fysikken til magnetiske spinn. Fordi nevrale piggetog effektivt binariseres (enten på eller av) i små tidsskalaer (10 til 20 ms), er Ising -modellen i stand til effektivt å fange de nåværende parvise korrelasjonene, og er gitt av:

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

hvor er settet med binære responser til nevron i, er funksjonen for eksterne felt , er funksjonen for parvise koblinger og er partisjonsfunksjonen ${\ displaystyle r = (r_ {1}, r_ {2}, ..., r_ {n})^{T}}$ ${\ displaystyle h_ {i}}$ ${\ displaystyle J_ {ij}}$ ${\ displaystyle \ mathrm {Z} (s)}$

Agentbasert dekoding

I tillegg til den sannsynlige tilnærmingen finnes det agentbaserte modeller som fanger den romlige dynamikken i nevralsystemet som er til granskning. En slik modell er hierarkisk tidsminne , som er et maskinlæringsrammeverk som organiserer problem med visuell oppfatning i et hierarki av samhandlende noder (nevroner). Forbindelsene mellom noder på de samme nivåene og et lavere nivå kalles synapser , og deres interaksjoner blir senere læring. Synapsstyrker modulerer læring og endres basert på tidslig og romlig avfyring av noder som svar på inngangsmønstre.

Selv om det er mulig å ta avfyringshastighetene til disse modellerte nevronene, og omdanne dem til de sannsynlige og matematiske rammene beskrevet ovenfor, gir agentbaserte modeller muligheten til å observere oppførselen til hele populasjonen av modellerte nevroner. Forskere kan omgå begrensningene som er implisitt med laboratoriebaserte opptaksteknikker. Fordi denne tilnærmingen er avhengig av modellering av biologiske systemer, oppstår det feil i forutsetningene fra forskeren og i dataene som brukes i parameterestimering .

Gjelder

Fremskrittet i vår forståelse av nevral dekoding fordeler utviklingen av hjerne-maskin-grensesnitt , proteser og forståelsen av nevrologiske lidelser som epilepsi .

Languages

In other projects