Onderzoekers van het Computational Neuroscience Lab van de Universiteit van Tartu, in Estland, hebben ontdekt dat activeringen van diepe convolutionele neurale netwerken zijn uitgelijnd met de gammabandactiviteit van de menselijke visuele cortex. hun studie, gepubliceerd in Communicatiebiologie , benadrukt verder het potentieel van kunstmatige intelligentie (AI) om het begrip van het menselijk brein te verbreden.

Het menselijk vermogen om objecten visueel te herkennen wordt gemedieerd door een hiërarchie van complexe kenmerkrepresentaties langs de ventrale stroom. Uit eerder onderzoek is gebleken dat deze vergelijkbaar zijn met de hiërarchie van transformaties die zijn geleerd door diepe convolutionele neurale netwerken (DCNN) die op afbeeldingen zijn getraind.

"Van eerder onderzoek wisten we dat er een overeenkomst is tussen de hiërarchische architectuur van het menselijke visuele systeem en de gelaagde architectuur van DCNN's, "Jaan Aru, Raúl Vicente, en Ilya Kuzovkin, drie van de onderzoekers die het onderzoek uitvoerden, vertelde TechXplore. "Echter, dit onderzoek was gebaseerd op neuroimaging-technieken zoals fMRI en MEG, die elk hun eigen beperkingen hebben."

MEG-beeldvorming legt alleen de gemiddelde activiteit van grote populaties neuronen tegelijk vast, terwijl fMRI geen tijdelijke informatie vastlegt. Vandaar, de onderzoekers besloten hun dataset te verzamelen met intracraniale elektroden die rechtstreeks in de hersenen van hun proefpersonen werden geïmplanteerd. Deze techniek kan identificeren wanneer hersenactiviteit plaatsvindt, zijn anatomische locatie, en hoe het in de loop van de tijd verandert.

"Hierdoor konden we in meer detail de activiteit onderzoeken die de visuele verwerking in het menselijk brein regelt en nauwkeuriger karakteriseren wat voor soort activiteit overeenkomsten vertoont met de activiteit van DCNN's, ', aldus de onderzoekers.

DCNN's zijn een soort machine learning-algoritme voor computervisie, die bijzonder goed presteren op objectherkenningstaken. Hun belangrijkste kenmerk is dat ze regels verwerven om objecten automatisch te classificeren, zonder dat menselijke ingenieurs ze schetsen.

Tijdens de training, DCNN's worden getraind op duizenden afbeeldingen van objecten (bijv. katten, bomen, auto's, enzovoort.), het leren onderscheiden van visuele kenmerken van elk van deze categorieën. De algoritmen kunnen dan objecten correct identificeren in afbeeldingen die ze nog nooit eerder zijn tegengekomen, met een nauwkeurigheid tot 95 procent.

"Een DCNN bestaat uit lagen kunstmatige neuronen, waarbij elke laag bepaalde bewerkingen op de afbeelding uitvoert en vervolgens informatie naar de volgende laag stuurt, " zeiden de onderzoekers. "Tijdens de training, het algoritme vormt regels over welke informatie wanneer naar de bovenste lagen moet worden gestuurd."

Recente studies hebben de exacte patronen en functies onderzocht die door een DCNN zijn geleerd. Ze ontdekten dat als je dieper in de lagen duikt, de visuele patronen vertegenwoordigd door zijn neuronen worden steeds complexer.

"De eerste laag is verantwoordelijk voor het detecteren van rechte lijnen, veranderingen in helderheid en andere eenvoudige visuele kenmerken, " leggen de onderzoekers uit. "Deze informatie wordt doorgegeven aan de tweede laag, die eenvoudige functies combineert om detectoren te bouwen die eenvoudige vormen kunnen identificeren. En zo vordert het, met elke laag abstracter worden, waarbij de hogere laag neuronen hele objecten vertegenwoordigen, zoals katten, honden enzovoort. We wisten dat een zeer vergelijkbaar fenomeen wordt waargenomen in de menselijke visuele cortex, dus de voor de hand liggende vraag was:hoe vergelijkbaar zijn deze twee systemen, en wat zijn hun overeenkomsten?"

Bij het meten van elektrische reacties van de hersenen, onderzoekers observeren complexe patronen van activiteit. Deze patronen zijn gegroepeerd volgens hun frequentie:alfa (acht tot 14 keer per seconde), bèta (15 tot 30 Hz), gamma (van 30 tot ~70 Hz), hoog gamma (meer dan 70 Hz), en andere bands. Het is gebleken dat deze frequentiebanden afhankelijk zijn van verschillende soorten activiteit. Bijvoorbeeld, alfa is sterker als mensen ontspannen zijn, terwijl bèta en gamma toenemen tijdens actieve betrokkenheid bij een taak.

"We ontdekten dat activiteit in laag gamma (30 tot 70 Hz) en hoog gamma (70 tot 150 Hz) het best in lijn is met de activiteit die plaatsvindt in DCNN's, wat aangeeft dat wat er op die frequenties in de hersenen gebeurt, het meest lijkt op wat DCNN's doen, ', aldus de onderzoekers.

Deze bevindingen komen overeen met eerder onderzoek dat het belang van gamma-activiteit voor objectherkenning benadrukt. In de toekomst, ze zouden kunnen helpen om de exacte berekeningen beter te begrijpen die worden weerspiegeld door gammafrequentiesignalen tijdens visuele verwerking.

"De ultieme zoektocht van de neurowetenschap is om te begrijpen hoe de hersenen coderen, informatie opslaat en doorgeeft en hoe het afvuren van miljarden neuronen leidt tot complexe mentale processen, zoals het begrijpen van een tekst of het communiceren met een vriend, " zeiden de onderzoekers. "Dit werk levert weer een stukje van deze enorme puzzel op, en benadrukt de belangrijke rol die AI-algoritmen kunnen spelen bij het begrijpen van het menselijk brein."

Het Computational Neuroscience Lab aan de Universiteit van Tartu bestudeert biologische en kunstmatige leersystemen naast elkaar, omdat het vergelijken ervan tot fascinerende biologische ontdekkingen zou kunnen leiden. De onderzoekers werken nu aan twee andere projecten, die de kern zal vormen van Kuzovkin's proefschrift.

“Bij een van de projecten we gaan kijken naar de innerlijke werking van een algoritme dat we hebben getraind om de gegevens van het menselijk brein te begrijpen; onderzoeken welke hersenactiviteit het nuttig acht voor de eindtaak en welke het weggooit. Dit zal een hulpmiddel zijn om door grote hoeveelheden activiteit te gaan en onderdelen uit te filteren die relevant zijn voor een bepaalde mentale taak."

© 2018 Tech Xplore