Томография влюблённой мухи

alt

Илл: Университет Калифорнии в Сан-Диего


Изучение мозга мушек-дрозофил важный элемент нашего понимания того, что такое мозг, как он эволюционировал и каким образом работает. Томографию дрозофилам научились делать достаточно давно, однако, для этого нужно зафиксировать насекомое на предметном столике. Но учёные всегда хотели увидеть в томографе мозг дрозофилы «на свободе», желательно в свободном состоянии. Желательно — в процессе сложного поведения. Новая технология, разработанная в Университете Калифорнии в Сан-Диего, опубликована в Nature Methods в мае 2016 года.

Мозг мухи-дрозофилы очень удобен для изучения нейронных моделей поведения: во-первых, ведёт она себя достаточно сложно, а во-вторых, её мозг достаточно маленький, всего 100 000 нейронов.

Поэтому исследователи стремились во что бы то ни стало научиться «видеть» его активность во время сложных поведенческих актов (например, полового) в естественных условиях.

«Если бы нас на свидании загрузили в фМРТ, то нам бы тоже вряд ли удалось вести себя достаточно естественно», — пишут исследователи.

Для того, чтобы посмотреть, что делается в маленьком мозге влюблённой мухи, инженеры и нейробиологи из Института мозга и разума Кавли Университета Калифорнии в Сан-Диего прибегли к множеству ухищрений. Во-первых, они модифицировали саму муху: вскрыли и удалили ей верхнюю часть хитинового «экзоскелета», прикрывающего череп, заменив пластинку липким прозрачным силиконом. Во-вторых, разработали систему компьютерной съёмки свободно гуляющей мушки с беспрецедентной точностью и частотой кадров. Она получила название Flyception, что дословно можно перевести как «мухосприятие» и снимает с частотой 1000 кадров в секунду.

alt

Flyception


Вращающиеся зеркала точно направляют лазерный луч в мозг дрозофилы, заставляя светиться генетически введённые флуоресцентные маркёры в активных нейронах. Таким образом учёные могут следить за активностью мозга свободно ходящей мухи.

«Сканирование мозга имеет важное значение для улучшения нашего понимания нейронных механизмов, лежащих в основе поведения и познания. Одна из главных целей сегодняшних неврологических исследований, как это предусмотрено Национальной инициативой по исследованию и моделированию мозга BRAIN, — это карта активности мозга животных в естественном поведения. Так мы можем понять когнитивные функции высшего порядка, и то, как возникают расстройства в ходе совместной деятельности нескольких областей головного мозга. Технология, которую мы разработали — первый шаг в достижении этой цели через мониторинг активности мозга естественно ведущей себя дрозофилы», — отметил Такео Катсуки (Takeo Katsuki), научный сотрудник Института мозга и сознания Кавли Калифорнийского университета в Сан-Диего.


Текст: Алексей Паевский

Flyception: imaging brain activity in freely walking fruit flies by Dhruv Grover, Takeo Katsuki and Ralph J Greenspan in Nature Methods. Published online May 2016 doi:10.1038/nmeth.3866

Читайте материалы нашего сайта в Facebook, ВКонтакте и канале в Telegram, а также следите за новыми картинками дня в Instagram.

Let's block ads! (Why?)

Источник ➝

Тренировка на одних фразах помогла нейросети распознать по активности мозга другие

Joseph Makin, David Moses & Edward Chang / Nature Neuroscience, 2020

Нейросеть обучили распознавать речь по активности коры мозга человека. Алгоритм обучали и тестировали на ограниченном наборе из 50 предложений, точность распознавания в среднем составила 97 процентов.

Обучение на дополнительных данных снизило количество ошибок, что говорит о том, что алгоритм не просто запоминает предложения, а находит общие закономерности. Статья опубликована в журнале Nature Neuroscience.

Современные нейроинтерфейсы умеют хорошо расшифровывать активность мозга, которая связана с движениями, — таким образом человек может управлять, например, искусственными конечностями. А вот напрямую переводить электрические сигналы мозга в речь до сих пор было невозможно, поэтому повсеместно используется схема, в которой человек управляет курсором и печатает текст на экране компьютера. Но даже если бы точность контроля курсора была идеальной, говорить таким способом все равно получалось бы очень медленно — максимальная скорость была бы как при печати одним пальцем.

Были и попытки расшифровать речь из активности мозга напрямую, однако пока удавалось понять лишь отдельные фонемы или звуки, а распознать речь, которая состояла из ограниченного набора в 100 слов, ученым удалось с точностью менее 40 процентов.

Ученые из Калифорнийского университета в Сан-Франциско под руководством Джозефа Мэйкина (Joseph Makin) воспользовались методами машинного обучения для того, чтобы расшифровать речь по активности мозга. У четырех добровольцев записывали электрокортикограмму, аналог электроэнцефалограммы, в котором электроды накладывают непосредственно на кору мозга (электроды пациентам установили по медицинским показаниям). Решетка электродов покрывала область коры вокруг боковой борозды — эта зона включает в себя речевые центры.

Участники читали вслух предложения из двух баз данных: в одной было 30 предложений и 125 уникальных слов, во второй — 50 предложений и 250 уникальных слов. Каждый набор фраз зачитывали как минимум три раза (два для обучения и один тестовый).

Из электрокортикограммы выделяли высокочастотную составляющую (70-150 Герц) и использовали эту последовательность в качестве входных данных для нейросетевого автокодировщика. Такие алгоритмы переводят входящий сигнал во внутренний код, а затем расшифровывают его. Нейросеть как бы переводит информацию сначала на «свой язык», а потом уже в нужный нам формат.

На первом этапе алгоритм выделял небольшие последовательности электрической активности мозга, которые были характерны для определенных компонент речи и повторялись в разных образцах. Нейросеть отфильтровывала остальную информацию и передавала на следующий элемент только оставшиеся последовательности.

В качестве кодировщика авторы использовали рекуррентную нейросеть, которая позволяет обрабатывать цепочки событий вне зависимости от их длины и использует для этого свою внутреннюю память. Кодировщик на этом этапе также предсказывал и зашифровывал звуковые характеристики слов, это было дополнительной подсказкой при обучении алгоритма. Вторая рекуррентная сеть затем переводила внутренние последовательности в текст, единицей расшифровки было слово (а не звук, как в предыдущих моделях). Кроме того, в качестве входных данных декодер использовал собственное предсказание следующего слова в предложении.

Исследователи предположили, что нейросеть может просто запоминать набор предложений и выбирать наиболее подходящее. Чтобы проверить эту гипотезу, алгоритмы, которые использовали ограниченный набор данных и распознавали речь с большим числом ошибок, дополнительно обучили на другом наборе предложений, а также использовали активность мозга другого человека. Кроме того, для сравнения своей парадигмы с существовавшими ранее авторы работы попробовали расшифровать те же образцы речи при помощи скрытой марковской модели, которая может использовать в качестве единицы только звуки, но не слова.

Чтобы узнать, какая анатомическая область вносит больший вклад в работу алгоритма, ученые программно меняли данные отдельных электродов и проверяли, насколько увеличится количество ошибок в распознанном тексте.

Уровень точности расшифровки речи составил около 97 процентов. Если для декодирования не использовали звуковые характеристики речи, количество ошибок увеличивалось в несколько раз, но уровень точности в целом оставался приемлемым (ниже 25 процентов). Значит, алгоритм можно тренировать, даже если человек не может произносить предложения вслух. Обучение на другом наборе предложений или на данных от другого человека значительно снизило число ошибок (p < 0,001). Это говорит о том, что нейросеть не просто запоминает ограниченный набор предложений, но и выделяет общие закономерности речи и языка. Уровень ошибок в модели, которая расшифровывала не слова, а звуки был выше 33 процентов — значит, подход этой работы более эффффективен.

Наибольший вклад в работу алгоритма вносила вентральная сенсомоторная кора и верхняя височная борозда — области, которые связаны с созданием и восприятием речи.

В будущем можно обучать модель на большем числе образцов речи, чтобы она могла распознавать речь, не ограниченную набором из 50 предложений, в том числе у пациентов, которые не могут говорить и двигаться.

Впервые подобную модель ученые представили в прошлом году: в работе были использованы предложения с большим набором слов, но уровень ошибок распознавания был между 7 и 11 процентами. Интересно, что этот алгоритм работал и когда участники произносили фразу беззвучно, хотя точность распознавания в таком случае снижалась до 30-60 процентов.

Алиса Бахарева

Let's block ads! (Why?)

 

Картина дня

))}
Loading...
наверх