Машина видит почти как мышь
Считать зрительный сигнал с мозга еще не получается, но скоро получится
Ученые из Федеральной политехнической школы Лозанны (EPEL), одного из ведущих технологических университетов мира, предложили алгоритм машинного обучения, который позволяет работать с данными, «записанными» в мозге. Программа близка к тому, чтобы понимать, как и что видит мышь.
Этот алгоритм машинного обучения, основанный на математике, называется CEBRA (произносится как «зебра») и изучает структуру нейронного «кода».
Какую именно информацию CEBRA узнает, разгадывая этот «код», ученые узнают путем декодирования — метода, который используется для интерфейсов «мозг—машина». По крайней мере в одном случае декодирование принесло удачу: удалось выяснить, что видит мышь, когда она смотрит фильм.
Мышами дело не ограничилось, но в других случаях речь не шла об обработке сигнала зрительного анализатора. Для приматов удалось предсказать, по данным из их мозга, как будет двигаться их верхняя конечность; для крыс — какой маршрут они выберут, перебегая большое открытое пространство.
«Эта работа — первый шаг к теоретически обоснованным алгоритмам, которые необходимы в нейротехнологии для обеспечения высокоэффективных ИМТ»,— объясняет Маккензи Матис, ведущий автор исследования.
Данные, использованные для декодирования видео из мышиного мозга, находились в открытом доступе в базе Института Аллена в Сиэтле, штат Вашингтон. Эти данные бывают двух видов: от электродов, вживленных прямо в мышиный мозг, и от оптических датчиков, которые считывают световые сигналы с мозга генетически модифицированных мышей, у которых работающие зоны коры загораются зеленым. Работает CEBRA так: она сперва сопоставляет активность мозга с определенными кадрами или движениями животного, а затем пытается восстановить изображение или движение, анализируя данные от мозга. CEBRA удачно взаимодействует менее чем с 1% нейронов в зрительной части коры — у мышей эта область мозга состоит примерно из полумиллиона нейронов.
«CEBRA превосходит другие алгоритмы в восстановлении картинки или движения,— уверен другой автор работы, Штеффен Шнайдер.— Сильные стороны нашего алгоритма еще и в том, что он способен объединять данные разного типа. Мы надеемся довести дело до клинического применения CEBRA, для лечения и восстановления людей».
По материалам Nature