Китайски учени декодираха образи на букви в мозъка на човек

Наука ОFFNews Последна промяна на 10 май 2017 в 11:27 5836 0

Кредит Changde Du et al. / arXiv.org, 2017

Горният ред са визуалните стимули. Долният ред е резултатът от обработката на магнитния резонанс, използвайки невронна мрежа обучена от авторите. Между тях са резултатите от по-ранни алгоритми.

Китайски учени са разработили нов метод за декодиране на визуални образи от зрителната кора на човешкия мозък. С негова помощ може според активността на мозъка да се разбере каква буква или цифра показват на участник в експеримента.

Методът се основава на задълбочено обучение на невронни мрежи по данни от ядрен магнитен резонанс (ЯМР). Според авторите, новият подход позволява много по-точно да се възпроизвеждат образи, отколкото при други известни методи, разказва MIT Technology Review.

Препринт на проучването е публикуван в arXiv.org.

Визуалната информация от ретината се обработва от зрителната кора на мозъка. Зрителната кора, в която първоначално попада тази информация, се състои от около 140 милиона неврони. Основната трудност в проучването на съответствието между визуалните стимули и мозъчната активност е липсата на методи, които могат бързо, с висока резолюция, да анализират активността на клетките на нервната система. Към днешна дата стандартен е методът на магнитния резонанс.

Функционалният магнитен резонанс позволява да се определи активността на невроните по промените на кръвобращението в мозъка. Тя е свързана с проста закономерност - увеличаването на активността на определена група неврони увеличава локалния приток на кръв към тази област на мозъка. Заедно с кръвния поток се увеличава количеството на хемоглобина, носител на молекули кислород. Такъв хемоглобин притежава диамагнитни свойства (магнетизира се в посока обратна на магнитното поле), за разлика от парамагнитния (усилва магнитно поле) деоксихемоглобин. Тези промени в магнитното поле улавя магнитният резонанс.

Но този метод има и своите недостатъци. Например, хемоглобинът увеличава концентрацията си с известно закъснение (около една секунда) в сравнение с нарастването на активността на невроните. Също така, магнитнният резонанс анализира район, чийто размери са повече от един неврон. Това са воксели (обемни пиксели), всеки от които се състои от десетки хиляди неврони. Друга трудност при използването на метода е многото шум в данните и силната нелинейна връзка между състоянията на съседните воксели.

При сравняване на визуалните стимули (изображенията, демонстрирани в екперимента) и активността на вокселите трябва да се вземат предвид нелинейните корелации. Авторите на новата работа използват самообучаващи се невронни мрежи, които да откриват корелациите и да ги разграничават от шума.

Базата данни за обучение се основава на по-ранни експериментални данни на други изследователски групи. Учените са събрали над 1800 експеримента с магнитен резонанс, записвали състоянието на зрителната кора в отговор на демонстрация на визуален стимул - цифри, букви или прости геометрични фигури. 90% от тези данни учените използват за обучение на невронната мрежа, а останалите 10% - за проверка на ефективността на метода.

Сравнение на по-ранни техники и новия метод за анализиране на магнитния резонанс. Горният ред са визуалните стимули. Долният ред е резултатът от обработката на магнитния резонанс, използвайки невронна мрежа обучена от авторите.
Между тях са резултатите от по-ранни алгоритми.
Changde Du et al. / arXiv.org, 2017

Сравнение на по-ранни техники и новия метод за анализиране на магнитния резонанс. Горният ред са визуалните стимули. Долният ред е резултатът от обработката на магнитния резонанс, използвайки невронна мрежа обучена от авторите.
Между тях са резултатите от по-ранни алгоритми.
Changde Du et al. / arXiv.org, 2017

Според изследователите, новата техника позволява да се получи по-контрастна и точна реконструкция в сравнение с по-ранните методи.

Сред възможните приложения на технологията е създаването на интерфейс човек - компютър. Следващите стъпки в развитието на метода ще е анализ на по-сложни визуални стимули и движещи се изображения. Последното ще изисква използването на рекурсивни невронни мрежи. Освен това, според авторите, същият подход може да помогне във възстановяването на друга информация - например звукова или моторна.

Най-важното
Всички новини
За писането на коментар е необходима регистрация.
Моля, регистрирайте се от TУК!
Ако вече имате регистрация, натиснете ТУК!

Няма коментари към тази новина !