Forskare vid University of Tartu's Computational Neuroscience Lab, i Estland, har upptäckt att aktiveringar av djupa konvolutionella neurala nätverk är i linje med gammabandsaktiviteten i den mänskliga visuella cortexen. Deras studie, publicerad i Kommunikationsbiologi , framhäver vidare potentialen hos artificiell intelligens (AI) för att bredda förståelsen för den mänskliga hjärnan.

Den mänskliga förmågan att visuellt känna igen objekt förmedlas av en hierarki av komplexa dragrepresentationer längs den ventrala strömmen. Senare forskning har funnit att dessa liknar hierarkin av transformationer som lärt sig av djupa konvolutionsneurala nätverk (DCNN) som tränats på bilder.

"Från tidigare forskning visste vi att det finns en överensstämmelse mellan den hierarkiska arkitekturen i det mänskliga visuella systemet och den lagrade arkitekturen för DCNN, "Jaan Aru, Raul Vicente, och Ilya Kuzovkin, tre av forskarna som genomförde studien, berättade TechXplore. "Dock, denna forskning förlitade sig på neuroimaging -tekniker som fMRI och MEG, var och en har sina egna begränsningar. "

MEG -avbildning fångar bara upp den genomsnittliga aktiviteten hos stora populationer av neuroner samtidigt, medan fMRI inte fångar upp tidsinformation. Därav, forskarna bestämde sig för att samla in sin datamängd med hjälp av intrakraniella elektroder implanterade direkt i hjärnan hos sina testpersoner. Denna teknik kan identifiera när hjärnaktivitet sker, dess anatomiska läge, och hur det förändras med tiden.

"Detta gjorde det möjligt för oss att mer detaljerat utforska den aktivitet som styr visuell bearbetning i den mänskliga hjärnan och mer exakt karaktärisera vilken typ av aktivitet som liknar DCNN:s aktivitet, "sa forskarna.

DCNN är en typ av maskininlärningsalgoritm för datorsyn, som fungerar särskilt bra på objektigenkänningsuppgifter. Deras nyckelfunktion är att de skaffar sig regler för att klassificera objekt automatiskt, utan att mänskliga ingenjörer beskriver dem.

Under utbildningen, DCNN:er tränas i tusentals bilder av föremål (t.ex. katter, träd, bilar, etc.), lära sig att särskilja visuella egenskaper hos var och en av dessa kategorier. Algoritmerna kan sedan korrekt identifiera objekt i bilder som de aldrig har stött på tidigare, med upp till 95 procents noggrannhet.

"Ett DCNN består av lager av artificiella neuroner, med varje lager som utför vissa operationer på bilden och sedan skickar information till nästa lager, "sa forskarna." Under utbildningen algoritmen bildar regler om vilken information som ska skickas till de övre lagren och när. "

Nyligen genomförda studier har undersökt de exakta mönster och funktioner som lärt sig av ett DCNN. De fann att när man dyker djupare ner i dess lager, de visuella mönstren som representeras av dess neuroner blir alltmer komplexa.

"Det första lagret är ansvarigt för att detektera raka linjer, förändringar i ljusstyrka och andra enkla visuella funktioner, "förklarar forskarna." Denna information överförs till det andra lagret, som kombinerar enkla funktioner för att bygga detektorer som kan identifiera enkla former. Och så går det framåt, blir mer och mer abstrakt för varje lager, med neuronerna i det högre lagret som representerar hela objekt, som katter, hundar och så vidare. Vi visste att ett mycket liknande fenomen observeras i den mänskliga visuella cortexen, så den uppenbara frågan var:Hur lika är dessa två system, och vad är deras likheter? "

När man mäter elektriska svar från hjärnan, forskare observerar komplexa aktivitetsmönster. Dessa mönster grupperas efter deras frekvens:alfa (åtta till 14 gånger per sekund), beta (15 till 30 Hz), gamma (från 30 till ~ 70 Hz), hög gamma (mer än 70 Hz), och andra band. Dessa frekvensband har visat sig bero på olika typer av aktivitet. Till exempel, alfa är starkare när människor är avslappnade, medan beta och gamma ökar under aktivt engagemang i en uppgift.

"Vi fann att aktivitet i lågt gamma (30 till 70 Hz) och högt gamma (70 till 150 Hz) är bäst anpassat till den aktivitet som sker i DCNN, indikerar att det som händer i hjärnan vid dessa frekvenser är mest lik det som DCNN gör, "sa forskarna.

Dessa fynd är i linje med tidigare forskning som betonar vikten av gamaktivitet för objektigenkänning. I framtiden, de kan hjälpa till att bättre förstå de exakta beräkningarna som reflekteras av gammafrekvenssignaler under visuell bearbetning.

"Neurovetenskapens ultimata strävan är att förstå hur hjärnan kodar, lagrar och överför information och hur avfyrningar av miljarder neuroner leder till komplexa mentala processer, som att förstå en text eller kommunicera den till en vän, "sa forskarna." Detta arbete ger ännu en bit av detta enorma pussel, och lyfter fram den viktiga roll som AI -algoritmer kan spela för att förstå mänsklig hjärna. "

Computational Neuroscience Lab vid University of Tartu studerar biologiska och artificiella inlärningssystem sida vid sida, som att jämföra dem kan leda till fascinerande biologiska upptäckter. Forskarna arbetar nu med ytterligare två projekt, som kommer att utgöra kärnan i Kuzovkins doktorsavhandling.

"I ett av projekten, vi kommer att undersöka de inre funktionerna i en algoritm som vi tränade för att förstå mänskliga hjärndata; undersöka vilken hjärnaktivitet den anser vara användbar för slutuppgiften och vilken den slänger. Detta kommer att vara ett verktyg för att gå igenom stora mängder aktivitet och filtrera bort delar som är relevanta för en viss mental uppgift. "

© 2018 Tech Xplore