Las neuronas artificiales ayudan a decodificar las señales corticales
Crédito: Pixabay/CC0 Dominio público
Científicos rusos han propuesto un nuevo algoritmo para la decodificación automática y la interpretación de los pesos del decodificador, que puede usarse tanto en interfaces cerebro-computadora como en investigación fundamental. Los resultados del estudio fueron publicados en el Journal of Neural Engineering.
Se necesitan interfaces cerebro-computadora para crear prótesis y neuroimplantes robóticos, simuladores de rehabilitación y dispositivos que puedan ser controlados por el poder del pensamiento. Estos dispositivos ayudan a las personas que han sufrido un accidente cerebrovascular o lesión física a moverse (en el caso de una silla robótica o prótesis), comunicarse, usar una computadora y operar electrodomésticos. Además, en combinación con los métodos de aprendizaje automático, las interfaces neuronales ayudan a los investigadores a comprender cómo funciona el cerebro humano.
Con mayor frecuencia, las interfaces cerebro-computadora utilizan la actividad eléctrica de las neuronas, medida, por ejemplo, con electroencefalografía o magnetoencefalografía. . Sin embargo, se necesita un decodificador especial para traducir las señales neuronales en comandos. Los métodos tradicionales de procesamiento de señales requieren un trabajo minucioso para identificar las características informativas de las características de las señales que, desde el punto de vista de un investigador, parecen ser las más importantes para la tarea de decodificación.
Inicialmente, los autores se centraron en datos de electrocorticografía (ECoG) y registro invasivo de actividad neuronal con electrodos ubicados directamente en la superficie cortical debajo de la duramadre, un caparazón que encapsula el cerebro y desarrolló una arquitectura de red neuronal artificial que automatiza la extracción de características interpretables.
Tal como lo concibieron los científicos , el algoritmo de la red neuronal no debería ser demasiado complicado en cuanto a la cantidad de parámetros. Debe ajustarse automáticamente y permitir interpretar los parámetros aprendidos en términos fisiológicamente significativos. El último requisito es especialmente importante: si se cumple, la red neuronal se puede utilizar no solo para decodificar señales, sino también para obtener nuevos conocimientos sobre los mecanismos neuronales, el sueño hecho realidad para neurocientíficos y neurólogos. Por lo tanto, además de una nueva red neuronal para el procesamiento de señales, los autores propusieron (y justificaron teóricamente) un método para interpretar los parámetros de la amplia clase de redes neuronales.
La red neuronal propuesta por los investigadores consiste en de varias ramas estructuradas de manera similar, cada una de las cuales se sintoniza automáticamente para analizar las señales de una población neuronal separada en un cierto rango de frecuencia y se sintoniza lejos de la interferencia. Para ello, utilizan capas convolucionales similares a las que componen las redes neuronales, agudizadas para el análisis de imágenes, y que actúan como filtros espaciales y de frecuencia. Conociendo los pesos del filtro espacial, es posible determinar dónde se encuentra la población neuronal, y los pesos de convolución temporal muestran cómo cambia la actividad neuronal con el tiempo, además de indicar indirectamente el tamaño de la población neuronal.
Para evaluar el rendimiento de su red neuronal en combinación con un nuevo método para interpretar sus parámetros, los científicos primero generaron un conjunto de datos de modelos realistas, o 20 minutos de actividad de 44 poblaciones de neuronas. Se añadió ruido a los datos para simular interferencias al grabar señales en condiciones reales. El segundo conjunto de datos para verificar fue un conjunto de datos de BCI Competition IV, que contenía los datos ECoG de varios sujetos que periódicamente movían los dedos de forma espontánea. Los propios científicos recopilaron otro conjunto de datos ECoG en la Universidad Estatal de Medicina y Odontología de Moscú, que sirve como base clínica del Centro de Interfaces Bioeléctricas de la Universidad HSE. A diferencia de los datos anteriores, los registros recopilados por los científicos contenían información geométrica completa sobre la ubicación de los electrodos ECoG en la superficie de la corteza cerebral de cada paciente. Esto hizo posible interpretar los pesos de los filtros espaciales aprendidos por la red neuronal y discernir la somatotopía (es decir, la relación entre la posición de la población neuronal en la corteza cerebral y la parte del cuerpo a la que funcionalmente corresponde) en la ubicación de la neurona. poblaciones fundamentales para decodificar el movimiento de cada dedo.
La red neuronal se desempeñó muy bien: con el conjunto de datos BCI Competition IV, funcionó a la par con la solución propuesta por los ganadores de la competencia, pero, a diferencia de la solución, utilizó funciones seleccionadas automáticamente. Mientras trabajaban con datos reales y modelos, los investigadores demostraron que es posible interpretar los parámetros de la escala correctamente y en detalle, y la interpretación brinda resultados fisiológicamente plausibles. Los investigadores también aplicaron una nueva técnica a la clasificación de movimientos imaginarios basada en datos de EEG no invasivos (obtenidos de la superficie de la cabeza, sin implantar electrodos). Como en el caso de ECoG, la red neuronal proporcionó una alta precisión de decodificación y capacidad de interpretación de características.
«Ya estamos usando este enfoque para construir interfaces cerebro-computadora invasivas, así como para resolver problemas de mapeo preoperatorio de la corteza , que es necesario para garantizar que las funciones conductuales clave se conserven después de la cirugía cerebral», dice el líder científico del estudio y director del Centro HSE para Interfaces Bioeléctricas, Alexei Ossadcthi. «En un futuro próximo, la técnica desarrollada se utilizará para extraer automáticamente conocimiento sobre los principios según los cuales el cerebro implementa una amplia gama de funciones conductuales».
Explore más
Nuevo enfoque encontrado para aplicaciones de IA de bajo consumo Más información: Artur Petrosyan et al, Decodificación e interpretación de señales corticales con una red neuronal convolucional compacta, Journal of Neural Engineering ( 2021). DOI: 10.1088/1741-2552/abe20e Información de la revista: Journal of Neural Engineering
Proporcionado por la Escuela Superior de Economía de la Universidad Nacional de Investigación Cita: Las neuronas artificiales ayudan a decodificar señales (2021, 23 de marzo) recuperado el 30 de agosto de 2022 de https://medicalxpress.com/news/2021-03-artificial-neurons-decode-cortical.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.