Нейронное декодирование - Neural decoding

Neural декодирования является неврология поле связано с гипотетической реконструкции сенсорных и других стимулов , на основе информации , которая уже закодированы и представлены в мозге с помощью сети из нейронов . Реконструкция относится к способности исследователя предсказать, какие сенсорные стимулы получает субъект, основываясь исключительно на потенциалах действия нейронов . Следовательно, основная цель нейронного декодирования - охарактеризовать, как электрическая активность нейронов вызывает активность и реакции в мозге.

В этой статье конкретно говорится о нейронном декодировании в части неокортекса млекопитающих .

Обзор

Когда люди смотрят на картинку, мозг постоянно принимает решения о том, на какой объект они смотрят, куда им нужно переместить глаза и что они считают наиболее важными аспектами входного стимула. Когда эти изображения попадают на заднюю стенку сетчатки, эти стимулы преобразуются из волн различной длины в серию нервных импульсов, называемых потенциалами действия . Эти схемы потенциалов действия различны для разных объектов и разных цветов; поэтому мы говорим, что нейроны кодируют объекты и цвета, изменяя их частоту всплесков или временную структуру. Теперь, если бы кто-то исследовал мозг, поместив электроды в первичную зрительную кору , он мог бы обнаружить то, что кажется случайной электрической активностью. Эти нейроны фактически срабатывают в ответ на особенности нижнего уровня визуального ввода, возможно, на края кадра изображения. Это подчеркивает суть гипотезы нейронного декодирования: можно восстановить стимул из реакции ансамбля нейронов, которые его представляют. Другими словами, можно посмотреть на данные о шиповой поездке и сказать, что записываемый человек или животное смотрит на красный шар.

С недавним прорывом в крупномасштабных технологиях нейронной записи и декодирования исследователи начали взламывать нейронный код и уже предоставили первый взгляд на нейронный код следов памяти в реальном времени, когда память формируется и вызывается в гиппокампе, головном мозге. область, известная как центральная для формирования памяти. Нейробиологи инициировали крупномасштабный проект по картированию мозговой активности или декодированию мозга для построения нейронных кодов всего мозга.

Кодирование для декодирования

В гипотезе декодирования подразумевается предположение, что нервные импульсы в мозге каким-то образом представляют собой стимулы во внешнем мире. Расшифровка нейронных данных была бы невозможна, если бы нейроны срабатывали случайным образом: ничего не было бы представлено. Этот процесс декодирования нейронных данных образует цикл с нейронным кодированием . Во-первых, организм должен уметь воспринимать набор раздражителей в мире - скажем, изображение шляпы. Наблюдение за стимулами должно привести к некоторому внутреннему обучению: стадии кодирования . После изменения диапазона стимулов, которые предъявляются наблюдателю, мы ожидаем, что нейроны адаптируются к статистическим свойствам сигналов , кодируя те, которые возникают наиболее часто: гипотеза эффективного кодирования . Нейронное декодирование - это процесс взятия этих статистических согласований, статистической модели мира и воспроизведения стимулов. Это может быть связано с процессом мышления и действия, которые, в свою очередь, определяют, какие стимулы мы получаем, и таким образом завершая цикл.

Чтобы построить модель данных нейронных всплесков, нужно понимать, как информация изначально хранится в мозгу, и как эта информация используется в более поздний момент времени. Этот цикл нейронного кодирования и декодирования представляет собой симбиотические отношения и суть алгоритма обучения мозга. Более того, процессы, лежащие в основе нейронного декодирования и кодирования, очень тесно связаны и могут приводить к различным уровням репрезентативной способности.

Пространственное разрешение

Большая часть проблемы нейронного декодирования зависит от пространственного разрешения собираемых данных. Количество нейронов, необходимых для восстановления стимула с разумной точностью, зависит от средств, с помощью которых собираются данные, и регистрируемой области. Например, палочки и колбочки (которые реагируют на цвета небольших зрительных областей) в сетчатке могут потребовать большего количества записей, чем простые клетки (которые реагируют на ориентацию линий) в первичной зрительной коре.

Предыдущие методы записи основывались на стимуляции отдельных нейронов в ходе повторяющейся серии тестов, чтобы обобщить поведение этого нейрона. Новые методы, такие как многоэлектродная запись с высокой плотностью записи и методы многофотонной визуализации кальция, теперь позволяют записывать более нескольких сотен нейронов. Даже при использовании более совершенных методов записи, эти записи должны быть сосредоточены на той области мозга, которая является управляемой и качественно понятной. Во многих исследованиях изучаются данные о последовательности спайков, полученные от ганглиозных клеток сетчатки, так как эта область имеет преимущества , заключающиеся в том , что она является строго прямой , ретинотопной и поддается текущей детализации записи. Продолжительность, интенсивность и местоположение стимула можно контролировать, чтобы, например, взять образец определенного подмножества ганглиозных клеток в структуре зрительной системы. В других исследованиях используются последовательности спайков для оценки различительной способности невизуальных органов чувств, таких как усы на лице крысы и обонятельное кодирование нейронов рецептора феромона моли.

Даже при постоянно улучшающихся методах записи всегда можно столкнуться с проблемой ограниченной выборки: учитывая ограниченное количество попыток записи, невозможно полностью учесть ошибку, связанную с зашумленными данными, полученными от стохастически функционирующих нейронов (например, нейронных нейронов). электрический потенциал колеблется вокруг своего потенциала покоя из-за постоянного притока и оттока ионов натрия и калия ). Следовательно, невозможно полностью восстановить стимул на основе данных спайков. К счастью, даже с зашумленными данными стимул все еще можно восстановить в пределах допустимых ошибок.

Временные разрешения

Временные масштабы и частота стимулов, предъявляемых наблюдателю, также важны для декодирования нейронного кода. Более быстрые временные рамки и более высокие частоты требуют более быстрых и точных ответов в данных нейронных всплесков. У людей миллисекундная точность наблюдалась во всей зрительной коре , сетчатке и латеральном коленчатом ядре , поэтому можно было бы заподозрить, что это подходящая частота измерения. Это было подтверждено в исследованиях, в которых количественно оценивалась реакция нейронов латерального коленчатого ядра на белый шум и натуралистические кино-стимулы. На клеточном уровне пластичность, зависящая от времени всплеска, действует в миллисекундных временных масштабах; следовательно, модели, стремящиеся к биологической релевантности, должны иметь возможность работать в этих временных масштабах.

Вероятностное декодирование

При декодировании нейронных данных время прихода каждого всплеска и вероятность увидеть определенный стимул могут быть степенью доступных данных. Априорное распределение определяет ансамбль сигналов, и представляет собой вероятность увидеть стимул в мире , основанном на предыдущем опыте. Время всплесков также может быть получено из распределения ; однако то, что мы хотим знать, - это распределение вероятностей по набору стимулов, заданных серией цепочек спайков , которая называется ансамблем условной реакции . Остается описать нейронный код путем преобразования стимулов в спайки ; Традиционный подход к вычислению этого распределения вероятностей заключался в том, чтобы зафиксировать стимул и изучить ответы нейрона. Объединяя все , используя правило Байеса результатов в упрощенной вероятностной характеристике нервного декодирования: . Область активных исследований состоит в поиске лучших способов представления и определения . Ниже приведены некоторые из таких примеров. ${\ displaystyle t_ {1}, {\ text {}} t_ {2}, {\ text {}} ..., {\ text {}} t_ {n} {\ text {}} = {\ text { }} \ {t_ {i} \}}$ ${\ Displaystyle P [s (t)]}$ ${\ Displaystyle P [s (t)]}$ ${\ Displaystyle П [\ {т_ {я} \}]}$ ${\ Displaystyle P [s (t) | \ {t_ {i} \}]}$ ${\ Displaystyle Р [\ {т_ {я} \} | s (т)]}$ ${\ Displaystyle P [s (t) | \ {t_ {i} \}] = P [\ {t_ {i} \} | s (t)] * (P [s (t)] / P [\ { t_ {i} \}])}$ ${\ Displaystyle Р [\ {т_ {я} \} | s (т)]}$

Номер поезда с шипами

Самая простая стратегия кодирования - это кодирование номера шипового поезда . Этот метод предполагает, что число всплесков является наиболее важной количественной оценкой данных последовательности всплесков. При кодировании номера последовательности спайков каждый стимул представлен уникальной частотой импульсов по выбранным нейронам. Красный цвет может обозначаться 5 полными всплесками по всему набору нейронов, а зеленый цвет может быть 10 всплесками; каждый всплеск объединяется в общий счет. Это представлено:

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

где количество спайков, - количество спайков нейрона во время предъявления стимула , а s - стимул. ${\ Displaystyle г = п =}$ ${\ displaystyle n_ {ij}}$ ${\ displaystyle i}$ ${\ displaystyle j}$

Код мгновенного тарифа

Добавление небольшого временного компонента приводит к стратегии временного кодирования пиков. Здесь основной измеряемой величиной является количество всплесков, которые происходят в пределах заранее определенного временного окна T. Этот метод добавляет еще одно измерение к предыдущему. Этот временной код задается следующим образом:

P (/ Sr.) = 2 мы индексируем hr eg

где j-й всплеск на l-м представлении нейрона i, - частота срабатывания нейрона i в момент времени t, а от 0 до T - время начала и окончания каждого испытания. ${\ displaystyle t_ {ijl}}$ ${\ displaystyle v_ {i} (t | s)}$

Временная корреляция

Код временной корреляции , как следует из названия, добавляет корреляции между отдельными всплесками. Это означает, что учитывается время между всплеском и предыдущим всплеском . Это дает: ${\ displaystyle t_ {i}}$ ${\ displaystyle t_ {i-1}}$

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

где - временной интервал между спайком нейронов и предыдущим. ${\ Displaystyle \ тау (т)}$

Декодер изинга

Другое описание данных последовательности нейронных спайков использует модель Изинга, заимствованную из физики магнитных спинов. Поскольку последовательности нейронных пиков эффективно бинаризованы (либо включены, либо выключены) на малых временных масштабах (от 10 до 20 мс), модель Изинга способна эффективно фиксировать существующие парные корреляции и задается следующим образом:

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

где - набор бинарных ответов нейрона i, - функция внешних полей , - функция парных связей , - статистическая сумма ${\ displaystyle r = (r_ {1}, r_ {2}, ..., r_ {n}) ^ {T}}$ ${\ displaystyle h_ {i}}$ ${\ displaystyle J_ {ij}}$ ${\ Displaystyle \ mathrm {Z} (s)}$

Агентное декодирование

В дополнение к вероятностному подходу существуют агентно-ориентированные модели, которые фиксируют пространственную динамику исследуемой нейронной системы. Одной из таких моделей является иерархическая временная память , которая представляет собой структуру машинного обучения, которая организует проблему визуального восприятия в иерархию взаимодействующих узлов (нейронов). Связи между узлами на одних и тех же уровнях и на более низких уровнях называются синапсами , и их взаимодействия впоследствии обучаются. Сила синапсов модулирует обучение и изменяется в зависимости от временного и пространственного срабатывания узлов в ответ на входные шаблоны.

Хотя можно взять частоту срабатывания этих смоделированных нейронов и преобразовать их в вероятностные и математические рамки, описанные выше, агентно-ориентированные модели предоставляют возможность наблюдать за поведением всей популяции смоделированных нейронов. Исследователи могут обойти ограничения, присущие лабораторным методам записи. Поскольку этот подход действительно основан на моделировании биологических систем, возникает ошибка в предположениях, сделанных исследователем, и в данных, используемых при оценке параметров .

Применимость

Прогресс в нашем понимании нейронного декодирования способствует развитию интерфейсов мозг-машина , протезированию и пониманию неврологических расстройств, таких как эпилепсия .

Languages

In other projects