Hur maskininlärning hjälper neurovetare att knäcka vår neurala kod

Närhelst du rör på handen, fingret eller ögongloben sänder hjärnan en signal till de relevanta musklerna som innehåller informationen som gör denna rörelse möjlig. Denna information är kodad på ett speciellt sätt som gör att den kan överföras genom neuroner och sedan ageras korrekt av de relevanta musklerna.

Exakt hur den här koden fungerar är något av ett mysterium. Neuroforskare har länge kunnat registrera dessa signaler när de färdas genom neuroner. Men att förstå dem är mycket svårare. Det finns olika algoritmer som kan avkoda vissa av dessa signaler, men deras prestanda är ojämn. Så ett bättre sätt att avkoda neurala signaler behövs desperat.

Idag säger Joshua Glaser vid Northwestern University i Chicago och några kompisar att de har utvecklat just en sådan teknik med hjälp av den nymodiga tekniken för maskininlärning. De säger att deras dekoder avsevärt överträffar befintliga metoder. Det är faktiskt så mycket bättre att teamet säger att det borde bli standardmetoden för att analysera neurala signaler i framtiden.

Först lite bakgrund. Information färdas längs nervfibrer i form av spänningsspikar, eller aktionspotentialer, som färdas längs nervfibrer. Neuroforskare tror att mönstret av spikar kodar för data om yttre stimuli, såsom beröring, syn och ljud. På samma sätt kodar hjärnan information om muskelrörelser på liknande sätt.

Att förstå denna kod är ett viktigt mål. Det gör det möjligt för neuroforskare att bättre förstå informationen som skickas till och bearbetas av hjärnan. Det hjälper också till att förklara hur hjärnan styr musklerna.

Ingenjörer skulle verkligen älska att ha bättre hjärn-maskin-gränssnitt för att styra rullstolar, proteser och videospel. Avkodning är ett kritiskt verktyg för att förstå hur neurala signaler relaterar till omvärlden, säger Glaser och co.

Deras metod är okomplicerad. De har tränat makakapor att flytta en skärmmarkör mot ett mål med hjälp av en sorts datormus. I varje test visas markören och målet på en skärm på slumpmässiga platser, och apan måste flytta markören horisontellt och vertikalt för att nå målet.

Efter att ha tränat djuren, registrerade Glaser och co aktiviteten hos dussintals neuroner i de delar av deras hjärnor som styr rörelser: den primära motoriska cortexen, den dorsala premotoriska cortexen och den primära somatosensoriska cortexen. De inspelningarna varade i cirka 20 minuter, vilket handlar om apornas uppmärksamhet … och experimentörerna.

En avkodningsalgoritms uppgift är att bestämma det horisontella och vertikala avståndet som apan flyttar markören i varje test, med endast neurala data.

Glaser och co:s mål var att ta reda på vilken typ av avkodningsalgoritm som gör detta bäst. Så de matade in data i en mängd olika konventionella algoritmer och flera nya maskininlärningsalgoritmer.

De konventionella algoritmerna arbetar med en statistisk teknik som kallas linjär regression. Detta innebär att uppskatta en kurva som passar data och sedan minska felet som är associerat med det. Det används ofta i neural avkodning i tekniker som Kalman-filter och Wiener-kaskader.

Glaser och co jämförde dessa tekniker med en mängd olika metoder för maskininlärning baserade på neurala nätverk. Dessa inkluderade ett Long Short Term Memory Network, ett återkommande neuralt nätverk och ett feedforward neuralt nätverk.

Alla dessa lär sig av kommenterade datamängder, och ju större datamängd, desto bättre lär de sig. Detta innebär i allmänhet att dela datamängden i två – 80 procent används för att träna algoritmen och de andra 20 procenten används för att testa den.

Resultaten är övertygande. Glaser och co säger att maskininlärningsteknikerna avsevärt överträffade de konventionella analyserna. Till exempel, för alla de tre hjärnområdena, förklarade en Long Short Term Memory Network-avkodare över 40 % av den oförklarade variansen från ett wienerfilter, säger de. Dessa resultat tyder på att moderna maskininlärningstekniker borde bli standardmetoden för neural avkodning.

På vissa sätt är det inte förvånande att maskininlärningstekniker gör så mycket bättre. Neurala nätverk inspirerades ursprungligen av hjärnans arkitektur, så det faktum att de bättre kan modellera hur det fungerar förväntas.

Nackdelen med neurala nät är att de i allmänhet behöver stora mängder träningsdata. Men Glaser och co minskade medvetet mängden träningsdata de matade till algoritmerna och fann att neurala nät fortfarande överträffade de konventionella teknikerna.

Det beror förmodligen på att teamet använde mindre nätverk än vad som konventionellt används för tekniker som ansiktsigenkänning. Våra nätverk har i storleksordningen 100 tusen parametrar, medan vanliga nätverk för bildklassificering kan ha i storleksordningen 100 miljoner parametrar, säger de.

Arbetet öppnar vägen för andra att bygga vidare på denna analys. Glaser och co har gjort sin kod tillgänglig för samhället så att befintliga neurala datamängder kan analyseras om på samma sätt.

Det finns mycket att göra. Den kanske viktigaste uppgiften kommer att vara att hitta ett sätt att utföra den neurala avkodningen i realtid. Allt Glaser och cos arbete gjordes offline efter att inspelningarna hade gjorts. Men det skulle helt klart vara användbart att kunna lära sig i farten och förutsäga rörelser när det händer.

Detta är ett kraftfullt tillvägagångssätt som har betydande potential. Inom andra vetenskapsområden där maskininlärning har tillämpats för första gången har forskare snubblat över mycket lågt hängande frukt. Det skulle vara en överraskning om detsamma inte gällde neural avkodning.

Ref: arxiv.org/abs/1708.00909 : Maskininlärning för neural avkodning

Dölj