Cr\u00e9dito: Pixabay\/CC0 Dominio p\u00fablico <\/p>\n
Cient\u00edficos rusos han propuesto un nuevo algoritmo para la decodificaci\u00f3n autom\u00e1tica y la interpretaci\u00f3n de los pesos del decodificador, que puede usarse tanto en interfaces cerebro-computadora como en investigaci\u00f3n fundamental. Los resultados del estudio fueron publicados en el Journal of Neural Engineering. <\/p>\n
Se necesitan interfaces cerebro-computadora para crear pr\u00f3tesis y neuroimplantes rob\u00f3ticos, simuladores de rehabilitaci\u00f3n y dispositivos que puedan ser controlados por el poder del pensamiento. Estos dispositivos ayudan a las personas que han sufrido un accidente cerebrovascular o lesi\u00f3n f\u00edsica a moverse (en el caso de una silla rob\u00f3tica o pr\u00f3tesis), comunicarse, usar una computadora y operar electrodom\u00e9sticos. Adem\u00e1s, en combinaci\u00f3n con los m\u00e9todos de aprendizaje autom\u00e1tico, las interfaces neuronales ayudan a los investigadores a comprender c\u00f3mo funciona el cerebro humano.<\/p>\n
Con mayor frecuencia, las interfaces cerebro-computadora utilizan la actividad el\u00e9ctrica de las neuronas, medida, por ejemplo, con electroencefalograf\u00eda o magnetoencefalograf\u00eda. . Sin embargo, se necesita un decodificador especial para traducir las se\u00f1ales neuronales en comandos. Los m\u00e9todos tradicionales de procesamiento de se\u00f1ales requieren un trabajo minucioso para identificar las caracter\u00edsticas informativas de las caracter\u00edsticas de las se\u00f1ales que, desde el punto de vista de un investigador, parecen ser las m\u00e1s importantes para la tarea de decodificaci\u00f3n.<\/p>\n
Inicialmente, los autores se centraron en datos de electrocorticograf\u00eda (ECoG) y registro invasivo de actividad neuronal con electrodos ubicados directamente en la superficie cortical debajo de la duramadre, un caparaz\u00f3n que encapsula el cerebro y desarroll\u00f3 una arquitectura de red neuronal artificial que automatiza la extracci\u00f3n de caracter\u00edsticas interpretables.<\/p>\n
Tal como lo concibieron los cient\u00edficos , el algoritmo de la red neuronal no deber\u00eda ser demasiado complicado en cuanto a la cantidad de par\u00e1metros. Debe ajustarse autom\u00e1ticamente y permitir interpretar los par\u00e1metros aprendidos en t\u00e9rminos fisiol\u00f3gicamente significativos. El \u00faltimo requisito es especialmente importante: si se cumple, la red neuronal se puede utilizar no solo para decodificar se\u00f1ales, sino tambi\u00e9n para obtener nuevos conocimientos sobre los mecanismos neuronales, el sue\u00f1o hecho realidad para neurocient\u00edficos y neur\u00f3logos. Por lo tanto, adem\u00e1s de una nueva red neuronal para el procesamiento de se\u00f1ales, los autores propusieron (y justificaron te\u00f3ricamente) un m\u00e9todo para interpretar los par\u00e1metros de la amplia clase de redes neuronales.<\/p>\n
La red neuronal propuesta por los investigadores consiste en de varias ramas estructuradas de manera similar, cada una de las cuales se sintoniza autom\u00e1ticamente para analizar las se\u00f1ales de una poblaci\u00f3n 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 an\u00e1lisis de im\u00e1genes, y que act\u00faan como filtros espaciales y de frecuencia. Conociendo los pesos del filtro espacial, es posible determinar d\u00f3nde se encuentra la poblaci\u00f3n neuronal, y los pesos de convoluci\u00f3n temporal muestran c\u00f3mo cambia la actividad neuronal con el tiempo, adem\u00e1s de indicar indirectamente el tama\u00f1o de la poblaci\u00f3n neuronal.<\/p>\n
Para evaluar el rendimiento de su red neuronal en combinaci\u00f3n con un nuevo m\u00e9todo para interpretar sus par\u00e1metros, los cient\u00edficos primero generaron un conjunto de datos de modelos realistas, o 20 minutos de actividad de 44 poblaciones de neuronas. Se a\u00f1adi\u00f3 ruido a los datos para simular interferencias al grabar se\u00f1ales en condiciones reales. El segundo conjunto de datos para verificar fue un conjunto de datos de BCI Competition IV, que conten\u00eda los datos ECoG de varios sujetos que peri\u00f3dicamente mov\u00edan los dedos de forma espont\u00e1nea. Los propios cient\u00edficos recopilaron otro conjunto de datos ECoG en la Universidad Estatal de Medicina y Odontolog\u00eda de Mosc\u00fa, que sirve como base cl\u00ednica del Centro de Interfaces Bioel\u00e9ctricas de la Universidad HSE. A diferencia de los datos anteriores, los registros recopilados por los cient\u00edficos conten\u00edan informaci\u00f3n geom\u00e9trica completa sobre la ubicaci\u00f3n 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 somatotop\u00eda (es decir, la relaci\u00f3n entre la posici\u00f3n de la poblaci\u00f3n neuronal en la corteza cerebral y la parte del cuerpo a la que funcionalmente corresponde) en la ubicaci\u00f3n de la neurona. poblaciones fundamentales para decodificar el movimiento de cada dedo.<\/p>\n
La red neuronal se desempe\u00f1\u00f3 muy bien: con el conjunto de datos BCI Competition IV, funcion\u00f3 a la par con la soluci\u00f3n propuesta por los ganadores de la competencia, pero, a diferencia de la soluci\u00f3n, utiliz\u00f3 funciones seleccionadas autom\u00e1ticamente. Mientras trabajaban con datos reales y modelos, los investigadores demostraron que es posible interpretar los par\u00e1metros de la escala correctamente y en detalle, y la interpretaci\u00f3n brinda resultados fisiol\u00f3gicamente plausibles. Los investigadores tambi\u00e9n aplicaron una nueva t\u00e9cnica a la clasificaci\u00f3n 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 proporcion\u00f3 una alta precisi\u00f3n de decodificaci\u00f3n y capacidad de interpretaci\u00f3n de caracter\u00edsticas.<\/p>\n
\u00abYa estamos usando este enfoque para construir interfaces cerebro-computadora invasivas, as\u00ed como para resolver problemas de mapeo preoperatorio de la corteza , que es necesario para garantizar que las funciones conductuales clave se conserven despu\u00e9s de la cirug\u00eda cerebral\u00bb, dice el l\u00edder cient\u00edfico del estudio y director del Centro HSE para Interfaces Bioel\u00e9ctricas, Alexei Ossadcthi. \u00abEn un futuro pr\u00f3ximo, la t\u00e9cnica desarrollada se utilizar\u00e1 para extraer autom\u00e1ticamente conocimiento sobre los principios seg\u00fan los cuales el cerebro implementa una amplia gama de funciones conductuales\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
Nuevo enfoque encontrado para aplicaciones de IA de bajo consumo M\u00e1s informaci\u00f3n:<\/strong> Artur Petrosyan et al, Decodificaci\u00f3n e interpretaci\u00f3n de se\u00f1ales corticales con una red neuronal convolucional compacta, Journal of Neural Engineering ( 2021). DOI: 10.1088\/1741-2552\/abe20e Informaci\u00f3n de la revista:<\/strong> Journal of Neural Engineering <\/p>\n Proporcionado por la Escuela Superior de Econom\u00eda de la Universidad Nacional de Investigaci\u00f3n Cita<\/strong>: Las neuronas artificiales ayudan a decodificar se\u00f1ales (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 est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Cr\u00e9dito: Pixabay\/CC0 Dominio p\u00fablico Cient\u00edficos rusos han propuesto un nuevo algoritmo para la decodificaci\u00f3n autom\u00e1tica y la interpretaci\u00f3n de los pesos del decodificador, que puede usarse tanto en interfaces cerebro-computadora como en investigaci\u00f3n fundamental. Los resultados del estudio fueron publicados en el Journal of Neural Engineering. Se necesitan interfaces cerebro-computadora para crear pr\u00f3tesis y neuroimplantes … Continuar leyendo \u00abLas neuronas artificiales ayudan a decodificar las se\u00f1ales corticales\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-17464","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/17464","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=17464"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/17464\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=17464"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=17464"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=17464"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}