Yapay Nöronlar Kortikal Sinyallerin Kodunu Çözmeye Yardımcı Olur

Robotik protezler ve nöroimplantlar, rehabilitasyon simülatörleri ve düşüncenin gücüyle kontrol edilebilen cihazlar oluşturmak için beyin-bilgisayar arayüzlerine ihtiyaç vardır. Bu cihazlar felç geçirmiş veya fiziksel yaralanma geçirmiş kişilerin hareket etmelerine (robotik sandalye veya protezler söz konusu olduğunda), iletişim kurmalarına, bilgisayar kullanmalarına ve ev aletlerini çalıştırmalarına yardımcı olur. Ek olarak, makine öğrenimi yöntemleriyle birlikte sinirsel arayüzler, araştırmacıların insan beyninin nasıl çalıştığını anlamalarına yardımcı olur.



Çoğu zaman beyin-bilgisayar arayüzleri, örneğin elektro- veya manyetoensefalografi ile ölçülen nöronların elektriksel aktivitesini kullanır. Bununla birlikte, nöronal sinyalleri komutlara çevirmek için özel bir kod çözücüye ihtiyaç vardır. Geleneksel sinyal işleme yöntemleri, bir araştırmacının bakış açısına göre kod çözme görevi için en önemli görünen sinyal özellikleri olan bilgilendirici özelliklerin tanımlanmasında özenli çalışmayı gerektirir.

İlk olarak, yazarlar elektrokortikografi (ECoG) verilerine odaklandılar – dura mater altında doğrudan kortikal yüzeyde bulunan elektrotlarla nöral aktivitenin invazif bir kaydı, beyni içine alan bir kabuk – ve yorumlanabilir verilerin çıkarılmasını otomatikleştiren yapay bir sinir ağı mimarisi geliştirdi özellikleri.

Bilim adamlarının tasarladığı gibi, sinir ağı algoritması, parametre sayısı açısından çok karmaşık olmamalıdır. Otomatik olarak ayarlanmalı ve öğrenilen parametreleri fizyolojik olarak anlamlı terimlerle yorumlayabilmelidir. Son gereklilik özellikle önemlidir: Eğer karşılanırsa, sinir ağı sadece sinyalleri çözmek için değil, aynı zamanda nöronal mekanizmalara yeni bakış açıları elde etmek için de kullanılabilir, rüya sinirbilimciler ve nörologlar için gerçek olur. Bu nedenle, sinyal işleme için yeni bir sinir ağına ek olarak, yazarlar, geniş sinir ağları sınıfının parametrelerini yorumlamak için bir yöntem önerdiler (ve teorik olarak gerekçelendirdiler).

Araştırmacılar tarafından önerilen sinir ağı, her biri belirli bir frekans aralığında ayrı bir sinir popülasyonunun sinyallerini analiz etmek için otomatik olarak ayarlanmış ve parazitlerden uzak ayarlanmış birkaç benzer şekilde yapılandırılmış daldan oluşur. Bunu yapmak için, sinir ağlarını içerenlere benzer, görüntü analizi için keskinleştirilmiş ve uzamsal ve frekans filtreleri olarak işlev gören evrişimli katmanlar kullanırlar. Uzamsal filtrenin ağırlıklarını bilmek, nöral popülasyonun nerede olduğunu belirlemek mümkündür ve zamansal evrişim ağırlıkları, nöronal popülasyon boyutunu dolaylı olarak göstermenin yanı sıra nöron aktivitesinin zamanla nasıl değiştiğini de gösterir.


Bilim adamları, sinir ağlarının performansını, parametrelerini yorumlamak için yeni bir yöntemle birlikte değerlendirmek için önce bir dizi gerçekçi model verisi veya 44 nöron popülasyonundan 20 dakikalık aktivite oluşturdu. Gerçek koşullarda sinyalleri kaydederken paraziti simüle etmek için verilere gürültü eklendi. Kontrol edilecek ikinci veri seti, parmaklarını periyodik olarak kendiliğinden hareket ettiren birkaç deneğin ECoG verilerini içeren BCI Yarışması IV’ten bir veri setiydi. Başka bir ECoG verileri seti, HSE Üniversitesi Biyoelektrik Arayüzler Merkezi’nin klinik üssü olarak hizmet veren Moskova Devlet Tıp ve Diş Hekimliği Üniversitesi’nde bilim adamları tarafından toplandı. Önceki verilerden farklı olarak, bilim adamları tarafından toplanan kayıtlar, her hastanın serebral korteksinin yüzeyindeki ECoG elektrotlarının konumu hakkında eksiksiz geometrik bilgiler içeriyordu. Bu, sinir ağı tarafından öğrenilen uzaysal filtrelerin ağırlıklarını yorumlamayı ve somatotopiyi (yani nöral popülasyonun beyin korteksindeki konumu ile işlevsel olarak karşılık geldiği vücut kısmı arasındaki ilişki) nöronun konumunda yorumlamayı mümkün kılmıştır. popülasyonlar, her parmağın hareketini çözmek için çok önemlidir.

Sinir ağı iyi bir performans gösterdi: BCI Competition IV veri kümesiyle, yarışmayı kazananlar tarafından önerilen çözümle aynı düzeyde çalıştı, ancak çözümün aksine otomatik olarak seçilen özellikleri kullandı. Araştırmacılar, hem gerçek hem de model verilerle çalışırken, ölçek parametrelerini doğru ve ayrıntılı olarak yorumlamanın mümkün olduğunu ve yorumlamanın fizyolojik olarak makul sonuçlar verdiğini kanıtladılar. Araştırmacılar ayrıca, invazif olmayan (elektrotları implante etmeden kafanın yüzeyinden elde edilen) EEG verilerine dayanarak hayali hareketlerin sınıflandırılması için yeni bir teknik uyguladılar. ECoG durumunda olduğu gibi, sinir ağı yüksek kod çözme doğruluğu ve yorumlanabilirlik özelliği sağladı.

Çalışmanın bilimsel lideri, “Bu yaklaşımı, invaziv beyin-bilgisayar arayüzleri oluşturmak ve ayrıca beyin ameliyatından sonra temel davranış işlevlerinin korunmasını sağlamak için gerekli olan ameliyat öncesi korteks haritalama sorunlarını çözmek için zaten kullanıyoruz” diyor ve Biyoelektrik Arayüzler için HSE Merkezi müdürü, Alexei Ossadcthi. “Yakın gelecekte, geliştirilen teknik, beynin geniş bir davranışsal işlev yelpazesini uyguladığı ilkeler hakkında otomatik olarak bilgi elde etmek için kullanılacaktır.”

Yorum Yaz

%d blogcu bunu beğendi: