ИИ «читает» кору головного мозга и распознает, что делает животное
Для создания интерфейсов мозг-машина необходимо понять, как сигналы мозга и связаны с действиями и поведением особи. Такое распознавание называется «нейронным декодированием». Большинство исследований в этой области проводится с помощью регистрации электрической активности клеток мозга, которая измеряется электродами, имплантированными в мозг. Но электродов всегда очень немного (по сравнению с числом нейронов), и картинка получается очень локальная и дискретная. С другой стороны, есть технология функциональной визуализации фМРТ. Она охватывает целые регионы, но точность измерений пока при этом недостаточна для подробной картинки.
Наиболее перспективной для получения картины мозга является метод визуализации кальция. Он позволят контролировать весь мозг, выделять активные области с помощью флуоресцентных белков и измерять активность нейронов по интенсивности излучения. Метод хорош и тем, что его можно использовать для получения картинки в реальном времени. У этого метода есть свои ограничения — его нельзя использовать для исследования мозга человека, поскольку необходимо генномодифицировать нейроны или вводить в них специальные красители. Но для опытов на животных метод визуализации кальция показывает на сегодня едва ли не лучшие результаты.
Искусственный интеллект исследует мозг
Ученые Университета Кобе под руководством нейробиолога Такуми Тору разработали нейронную сеть, которая по картинке, созданной методом визуализации кальция, решает проблему «нейронного декодирования», то есть, посмотрев на мозг, модель может сказать, что сейчас делает мышь — бежит или отдыхает.
«Мы работаем с системами визуализации мозга в реальном времени и отслеживаем движение мышей, свободно бегающих в виртуальной реальности. Мы используем методы глубокого обучения нейросети для распознавания картины мозга. Причем мы берем неразмеченные данные, собранные со всей коры головного мозга. Это и позволило нам решить проблему нейронного декодирования», — говорит ведущий автор работы Аджиока Такехиро.
Команда использовала два разных алгоритма глубокого обучения, один для пространственных, другой — для временных паттернов. Обучила модели на данных всей коры головного мозга мышей, отдыхающих или бегающих. И ученые добились результата: ИИ-модель научилась точно предсказывать по изображению коры головного мозга, бежит мышь или отдыхает.
Исследователи сообщают, что ИИ-модель с точностью 95% предсказывает поведение животного. При этом нет необходимости сканировать какую-то специальную область коры и устранять шум из неразмеченных данных.
ИИ-модель сделала точные прогнозы за 0,17 секунды, а это означает, что она может практически приблизиться к реальному времени. Модель проверили на пяти разных особях: ИИ-модель смогла отфильтровывать индивидуальные характеристики без потери точности и скорости.
Затем нейробиологи стали экспериментировать с входными данными. На самом деле, чем данных на входе меньше, тем реакция ИИ — быстрее. Ученые определили, какие данные на визуализации в основном отвечают за прогноз, удалив часть входных данных и наблюдая за работой модели в этом состоянии. Чем хуже становился прогноз, тем важнее были данные.
Команда Университета Кобе разработала обобщенную методику определения поведения животных на основе данных функциональной визуализации всей коры головного мозга и разработала методику определения того, на каких данных основаны прогнозы. Аджиока Такехиро объясняет: «Это исследование закладывает основу для дальнейшей разработки интерфейсов "мозг-машина", способных декодировать поведение практически в реальном времени с использованием неинвазивной визуализации мозга».