Hoe machinaal leren neurowetenschappers helpt onze neurale code te kraken

Telkens wanneer je je hand of vinger of oogbol beweegt, sturen de hersenen een signaal naar de relevante spieren met daarin de informatie die deze beweging mogelijk maakt. Deze informatie is op een speciale manier gecodeerd waardoor deze door neuronen kan worden overgedragen en vervolgens correct kan worden uitgevoerd door de relevante spieren.

Hoe deze code precies werkt, is een beetje een mysterie. Neurowetenschappers zijn al lang in staat om deze signalen op te nemen terwijl ze door neuronen reizen. Maar ze begrijpen is veel moeilijker. Er bestaan ​​verschillende algoritmen die sommige van deze signalen kunnen decoderen, maar hun prestaties zijn fragmentarisch. Een betere manier om neurale signalen te decoderen is dus hard nodig.

Tegenwoordig zeggen Joshua Glaser van de Northwestern University in Chicago en een paar vrienden dat ze precies zo'n techniek hebben ontwikkeld met behulp van de nieuwerwetse technologie van machine learning. Ze zeggen dat hun decoder aanzienlijk beter presteert dan bestaande benaderingen. Het is zelfs zo veel beter dat het team zegt dat het in de toekomst de standaardmethode moet worden voor het analyseren van neurale signalen.

Eerst wat achtergrond. Informatie reist langs zenuwvezels in de vorm van spanningspieken, of actiepotentialen, die langs zenuwvezels reizen. Neurowetenschappers geloven dat het patroon van spikes gegevens codeert over externe stimuli, zoals aanraking, zicht en geluid. Op dezelfde manier coderen de hersenen informatie over spierbewegingen op een vergelijkbare manier.

Het begrijpen van deze code is een belangrijk doel. Het stelt neurowetenschappers in staat om de informatie die naar de hersenen wordt gestuurd en verwerkt, beter te begrijpen. Het helpt ook om uit te leggen hoe de hersenen spieren aansturen.

Ingenieurs zouden dolgraag betere interfaces tussen hersenen en machines hebben voor het besturen van rolstoelen, prothetische ledematen en videogames. Decodering is een cruciaal hulpmiddel om te begrijpen hoe neurale signalen zich verhouden tot de buitenwereld, zeggen Glaser en co.

Hun methode is eenvoudig. Ze hebben makaken getraind om met een soort computermuis een schermcursor naar een doel te bewegen. Bij elke test verschijnen de cursor en het doelwit op willekeurige plaatsen op een scherm, en de aap moet de cursor horizontaal en verticaal verplaatsen om het doel te bereiken.

Nadat ze de dieren hadden getraind, registreerden Glaser en co de activiteit van tientallen neuronen in de delen van hun hersenen die beweging controleren: de primaire motorische cortex, de dorsale premotorische cortex en de primaire somatosensorische cortex. De opnames duurden ongeveer 20 minuten, wat ongeveer de aandachtsspanne is van de apen … en de onderzoekers.

De taak van een decoderingsalgoritme is om de horizontale en verticale afstand te bepalen waarover de aap de cursor in elke test verplaatst, waarbij alleen de neurale gegevens worden gebruikt.

Het doel van Glaser en co was om erachter te komen welk soort decoderingsalgoritme dit het beste doet. Dus voerden ze de gegevens in een verscheidenheid aan conventionele algoritmen en verschillende nieuwe algoritmen voor machine learning.

De conventionele algoritmen werken met behulp van een statistische techniek die bekend staat als lineaire regressie. Dit omvat het schatten van een curve die bij de gegevens past en vervolgens de bijbehorende fout verminderen. Het wordt veel gebruikt bij neurale decodering in technieken zoals Kalman-filters en Wiener-cascades.

Glaser en co vergeleken deze technieken met een verscheidenheid aan machine learning-benaderingen op basis van neurale netwerken. Deze omvatten een Long Short Term Memory Network, een terugkerend neuraal netwerk en een feedforward neuraal netwerk.

Al deze leren van geannoteerde datasets, en hoe groter de dataset, hoe beter ze leren. Dit houdt in het algemeen in dat de dataset in tweeën wordt gedeeld: 80 procent wordt gebruikt om het algoritme te trainen en de andere 20 procent wordt gebruikt om het te testen.

De resultaten zijn overtuigend. Glaser en co zeggen dat de machine learning-technieken aanzienlijk beter presteerden dan de conventionele analyses. Voor alle drie de hersengebieden verklaarde een Long Short Term Memory Network-decoder bijvoorbeeld meer dan 40% van de onverklaarde variantie van een Wiener-filter, zeggen ze. Deze resultaten suggereren dat moderne machine learning-technieken de standaardmethodologie voor neurale decodering zouden moeten worden.

In sommige opzichten is het niet verwonderlijk dat technieken voor machine learning het zo veel beter doen. Neurale netwerken zijn oorspronkelijk geïnspireerd op de architectuur van de hersenen, dus verwacht wordt dat ze beter kunnen modelleren hoe het werkt.

Het nadeel van neurale netwerken is dat ze over het algemeen grote hoeveelheden trainingsgegevens nodig hebben. Maar Glaser en co verminderden opzettelijk de hoeveelheid trainingsgegevens die ze naar de algoritmen voerden en ontdekten dat de neurale netwerken nog steeds beter presteerden dan de conventionele technieken.

Dat komt waarschijnlijk omdat het team kleinere netwerken gebruikte dan conventioneel worden gebruikt voor technieken als gezichtsherkenning. Onze netwerken hebben in de orde van 100 duizend parameters, terwijl gewone netwerken voor beeldclassificatie in de orde van 100 miljoen parameters kunnen hebben, zeggen ze.

Het werk opent de weg voor anderen om op deze analyse voort te bouwen. Glaser en co hebben hun code beschikbaar gemaakt voor de community, zodat bestaande neurale datasets op dezelfde manier opnieuw kunnen worden geanalyseerd.

Er is genoeg te doen. Misschien is de belangrijkste taak het vinden van een manier om de neurale decodering in realtime uit te voeren. Al het werk van Glaser en co werd offline gedaan nadat de opnames waren gemaakt. Maar het zou duidelijk handig zijn om on-the-fly te kunnen leren en beweging te voorspellen terwijl het gebeurt.

Dit is een krachtige aanpak met een aanzienlijk potentieel. In andere wetenschapsgebieden waar machine learning voor het eerst is toegepast, zijn onderzoekers veel laaghangend fruit tegengekomen. Het zou een verrassing zijn als hetzelfde niet zou gelden voor neurale decodering.

Referentie: arxiv.org/abs/1708.00909 : Machine Learning voor neurale decodering

zich verstoppen