In che modo l'apprendimento automatico sta aiutando i neuroscienziati a decifrare il nostro codice neurale

Ogni volta che muovi la mano, il dito o il bulbo oculare, il cervello invia un segnale ai muscoli interessati contenente le informazioni che rendono possibile questo movimento. Queste informazioni sono codificate in un modo speciale che le consente di essere trasmesse attraverso i neuroni e quindi di agire correttamente dai muscoli interessati.

Esattamente come funziona questo codice è qualcosa di un mistero. I neuroscienziati sono stati a lungo in grado di registrare questi segnali mentre viaggiano attraverso i neuroni. Ma capirli è molto più difficile. Esistono vari algoritmi in grado di decodificare alcuni di questi segnali, ma le loro prestazioni sono irregolari. Quindi è assolutamente necessario un modo migliore per decodificare i segnali neurali.

Oggi, Joshua Glaser della Northwestern University di Chicago e alcuni amici affermano di aver sviluppato proprio una tecnica del genere utilizzando la nuova tecnologia dell'apprendimento automatico. Dicono che il loro decoder superi significativamente gli approcci esistenti. In effetti, è molto meglio che il team affermi che dovrebbe diventare il metodo standard per l'analisi dei segnali neurali in futuro.

Prima un po' di background. Le informazioni viaggiano lungo le fibre nervose sotto forma di picchi di tensione, o potenziali d'azione, che viaggiano lungo le fibre nervose. I neuroscienziati ritengono che lo schema dei picchi codifichi i dati sugli stimoli esterni, come il tatto, la vista e il suono. Allo stesso modo, il cervello codifica le informazioni sul movimento muscolare in modo simile.

La comprensione di questo codice è un obiettivo importante. Consente ai neuroscienziati di comprendere meglio le informazioni inviate ed elaborate dal cervello. Aiuta anche a spiegare come il cervello controlla i muscoli.

Gli ingegneri vorrebbero avere migliori interfacce cervello-macchina per controllare sedie a rotelle, arti protesici e videogiochi. La decodifica è uno strumento fondamentale per comprendere come i segnali neurali si relazionano con il mondo esterno, affermano Glaser e co.

Il loro metodo è semplice. Hanno addestrato le scimmie macaco a spostare un cursore sullo schermo verso un bersaglio usando una specie di mouse per computer. In ogni test, il cursore e il bersaglio appaiono su uno schermo in posizioni casuali e la scimmia deve spostare il cursore orizzontalmente e verticalmente per raggiungere l'obiettivo.

Dopo aver addestrato gli animali, Glaser e compagni hanno registrato l'attività di dozzine di neuroni nelle parti del loro cervello che controllano il movimento: la corteccia motoria primaria, la corteccia premotoria dorsale e la corteccia somatosensoriale primaria. Le registrazioni sono durate circa 20 minuti, che corrisponde alla capacità di attenzione delle scimmie... e degli sperimentatori.

Il compito di un algoritmo di decodifica è determinare la distanza orizzontale e verticale a cui la scimmia sposta il cursore in ogni test, utilizzando solo i dati neurali.

L'obiettivo di Glaser e compagni era scoprire quale tipo di algoritmo di decodifica funziona meglio. Quindi hanno inserito i dati in una varietà di algoritmi convenzionali e in diversi nuovi algoritmi di apprendimento automatico.

Gli algoritmi convenzionali funzionano utilizzando una tecnica statistica nota come regressione lineare. Ciò comporta la stima di una curva che si adatta ai dati e quindi la riduzione dell'errore ad esso associato. È ampiamente utilizzato nella decodifica neurale in tecniche come i filtri di Kalman e le cascate Wiener.

Glaser e colleghi hanno confrontato queste tecniche con una varietà di approcci di apprendimento automatico basati su reti neurali. Questi includevano una rete di memoria a lungo termine, una rete neurale ricorrente e una rete neurale feedforward.

Tutti questi imparano dai set di dati annotati e più grande è il set di dati, meglio imparano. Ciò generalmente comporta la divisione in due del set di dati: l'80% utilizzato per addestrare l'algoritmo e l'altro 20% utilizzato per testarlo.

I risultati sono convincenti. Glaser e colleghi affermano che le tecniche di apprendimento automatico hanno notevolmente superato le analisi convenzionali. Ad esempio, per tutte e tre le aree del cervello, un decoder di rete di memoria a lungo termine ha spiegato oltre il 40% della varianza inspiegabile da un filtro Wiener, dicono. Questi risultati suggeriscono che le moderne tecniche di apprendimento automatico dovrebbero diventare la metodologia standard per la decodifica neurale.

In un certo senso, non sorprende che le tecniche di apprendimento automatico funzionino molto meglio. Le reti neurali sono state originariamente ispirate dall'architettura del cervello, quindi è previsto il fatto che possano modellare meglio come funziona.

Lo svantaggio delle reti neurali è che generalmente richiedono grandi quantità di dati di addestramento. Ma Glaser e collaboratori hanno deliberatamente ridotto la quantità di dati di addestramento che hanno fornito agli algoritmi e hanno scoperto che le reti neurali superavano ancora le tecniche convenzionali.

Ciò è probabilmente dovuto al fatto che il team ha utilizzato reti più piccole rispetto a quelle convenzionalmente utilizzate per tecniche come il riconoscimento facciale. Le nostre reti hanno dell'ordine di 100mila parametri, mentre le reti comuni per la classificazione delle immagini possono avere dell'ordine di 100 milioni di parametri, dicono.

Il lavoro apre la strada ad altri per costruire su questa analisi. Glaser e colleghi hanno reso disponibile il loro codice per la comunità in modo che i set di dati neurali esistenti possano essere rianalizzati allo stesso modo.

C'è molto da fare. Forse il compito più significativo sarà trovare un modo per eseguire la decodifica neurale in tempo reale. Tutto il lavoro di Glaser e compagni è stato svolto offline dopo che le registrazioni erano state effettuate. Ma sarebbe chiaramente utile essere in grado di imparare al volo e prevedere il movimento mentre accade.

Questo è un approccio potente che ha un potenziale significativo. In altre aree della scienza in cui l'apprendimento automatico è stato applicato per la prima volta, i ricercatori si sono imbattuti in frutti molto bassi. Sarebbe una sorpresa se lo stesso non fosse vero per la decodifica neurale.

Rif: arxiv.org/abs/1708.00909 : Apprendimento automatico per la decodifica neurale

nascondere