人工智能发现脑海中共享的神经模式 - 神经科学新闻

概括：研究人员已经开发了一种几何深度学习方法，以发现各个个体的共享大脑活动模式。该方法称为大理石，从神经记录中学习动态图案，并确定不同大脑用来解决相同任务的常见策略。

大理石在猕猴和大鼠上进行了测试，与运动和导航相关的精确解码神经活动，表现优于其他机器学习方法。该系统通过将神经数据映射到高维几何空间中，从而在个人和条件之间实现模式识别。

关键事实：

• 几何深度学习：大理石通过将神经信号映射到高维形状上来识别共享的大脑活动模式。
• 跨主体比较：该方法成功地检测到了执行相同任务的不同动物中的常见神经基序。
• 在脑机界面中的应用：通过将大脑活动解码为可识别的模式，大理石可以改善辅助机器人技术和神经科学研究。

来源：EPFL

在盲人和大象的寓言中，几个盲人描述了大象的另一部分，他们触摸了尖锐的象牙，灵活的树干或一条宽阔的腿，并且不同意动物真实的本性。

这个故事说明了理解基于不完整的个人看法的看不见或潜在对象的问题。

同样，当研究人员根据有限数量的神经元的记录来研究大脑动力学时，他们必须推断出产生这些记录的大脑动力学的潜在模式。

假设您和我都从事精神任务，例如导航我们的工作方式。一小部分神经元的信号能告诉我们，我们使用相同或不同的心理策略来解决任务吗？

这是对神经科学的一个基本问题，因为实验者经常记录许多动物的数据，但是我们有限证明它们是否使用相同的大脑模式代表给定的任务。”

Vandergheynst和前Dostdoc Adam Gosztolai现在是维也纳医科大学AI学院的助理教授，已在“几何深度学习方法”中发表 自然方法 可以推断实验对象的潜在大脑活动模式。

大理石（多种表示基础学习）通过将电气神经活动分解为动态模式或基序来实现这一目标，这些模式可通过几何神经网络学习。

在有关猕猴和老鼠脑记录的实验中，科学家使用大理石表明，当不同的动物使用相同的心理策略到达手臂或导航迷宫时，他们的大脑动力学是由相同的主题组成的。

用于动态数据的几何神经网

传统的深度学习不适合理解随时间变化的动态系统，例如发射神经元或流动的流体。

这些活动模式是如此复杂，以至于它们最好地描述为高维空间中的几何对象。这种物体的一个例子是圆环，它类似于甜甜圈。

正如Gosztolai解释的那样，大理石是独一无二的，因为它从弯曲空间内学习了自然数学空间，以实现神经元活动的复杂模式。

在弯曲的空间内，几何深度学习算法并不意识到这些空间是弯曲的。因此，它所学到的动态图案与空间的形状无关，这意味着它可以从不同的记录中发现相同的图案。”

EPFL团队在达到任务期间的猕猴前运动皮层以及在空间导航任务中大鼠海马的录音进行了测试。

他们发现，基于单神经元人口记录的大理石的表示比其他机器学习方法的大理石表示更容易解释，并且大理石可以比其他方法更高的精度解释大脑活动以武装运动。

此外，由于大理石是基于高维形状的数学理论，因此它能够将来自不同实验条件的大脑活动记录融合到整体结构中。这使它比其他方法具有优势，该方法必须与用户定义的全局形状一起使用。

脑机界面及以后

除了进一步了解大脑计算和行为的动力学之外触发辅助机器人设备。

但是，研究人员强调，大理石是一种强大的工具，可以在科学领域和数据集中应用，以比较动态现象。

Vandergheynst说：``大理石方法主要旨在帮助神经科学研究人员了解大脑在个人或实验条件下如何计算的大脑如何计算。

但是，它的数学基础绝不限于大脑信号，我们希望我们的工具将使希望共同分析多个数据集的其他生活领域和身体科学领域的研究人员受益。

关于此AI和神经科学研究新闻

作者： 西莉亚·卢特巴赫（Celia Luterbacher）
来源：EPFL
接触：Celia Luterbacher epfl
图像：图像被认为是神经科学新闻

原始研究：开放访问。
神经种群动态和几何形状的可解释统计表示Pierre Vandergheynst等。自然方法

抽象的

神经种群动态和几何形状的可解释统计表示

神经元种群的动力学通常在低维流形上演变。因此，我们需要学习神经流形的动态过程的方法，以推断可解释和一致的潜在表示。

我们介绍了一种表示学习方法，即大理石，该方法将其术中动力学分解为局部流场，并使用无监督的几何深度学习将它们映射到一个共同的潜在空间中。

在模拟的非线性动力学系统中，来自灵长类动物和啮齿动物的复发神经网络和实验性单神经元记录，我们发现了新兴的低维度潜在表示，在增益调制，决策和内部状态变化过程中参数化高维神经动力学。

这些表示在神经网络和动物之间是一致的，从而实现了认知计算的良好比较。

与当前的表示学习方法相比，大理石的最新基准测试表明，大理石的最新基准测试和跨动物的解码准确性具有最少的用户输入。

我们的结果表明，一种多种结构提供了强大的诱导偏见，以开发解码算法并在实验中吸收数据。