Cómo el aprendizaje automático está ayudando a los neurocientíficos a descifrar nuestro código neuronal

Cada vez que mueves la mano, el dedo o el globo ocular, el cerebro envía una señal a los músculos relevantes que contienen la información que hace posible este movimiento. Esta información está codificada de una manera especial que permite que se transmita a través de las neuronas y luego actúe correctamente por los músculos relevantes.

Exactamente cómo funciona este código es un misterio. Durante mucho tiempo, los neurocientíficos han podido registrar estas señales a medida que viajan a través de las neuronas. Pero entenderlos es mucho más difícil. Existen varios algoritmos que pueden decodificar algunas de estas señales, pero su rendimiento es irregular. Por lo tanto, se necesita desesperadamente una mejor forma de decodificar las señales neuronales.

Hoy, Joshua Glaser de la Universidad Northwestern en Chicago y algunos amigos dicen que han desarrollado una técnica de este tipo utilizando la tecnología novedosa del aprendizaje automático. Dicen que su decodificador supera significativamente los enfoques existentes. De hecho, es mucho mejor que el equipo diga que debería convertirse en el método estándar para analizar señales neuronales en el futuro.

Primero algunos antecedentes. La información viaja a lo largo de las fibras nerviosas en forma de picos de voltaje, o potenciales de acción, que viajan a lo largo de las fibras nerviosas. Los neurocientíficos creen que el patrón de picos codifica datos sobre estímulos externos, como el tacto, la vista y el sonido. De manera similar, el cerebro codifica información sobre el movimiento muscular de manera similar.

Comprender este código es un objetivo importante. Permite a los neurocientíficos comprender mejor la información que el cerebro envía y procesa. También ayuda a explicar cómo el cerebro controla los músculos.

A los ingenieros les encantaría tener mejores interfaces cerebro-máquina para controlar sillas de ruedas, prótesis y videojuegos. La decodificación es una herramienta crítica para comprender cómo las señales neuronales se relacionan con el mundo exterior, dicen Glaser y compañía.

Su método es sencillo. Han entrenado monos macacos para mover el cursor de una pantalla hacia un objetivo usando una especie de mouse de computadora. En cada prueba, el cursor y el objetivo aparecen en una pantalla en ubicaciones aleatorias, y el mono tiene que mover el cursor horizontal y verticalmente para alcanzar la meta.

Habiendo entrenado a los animales, Glaser y sus colegas registraron la actividad de docenas de neuronas en las partes de sus cerebros que controlan el movimiento: la corteza motora primaria, la corteza premotora dorsal y la corteza somatosensorial primaria. Las grabaciones duraron alrededor de 20 minutos, que es aproximadamente la capacidad de atención de los monos... y los experimentadores.

El trabajo de un algoritmo de decodificación es determinar la distancia horizontal y vertical que el mono mueve el cursor en cada prueba, utilizando solo los datos neuronales.

El objetivo de Glaser y compañía era descubrir qué tipo de algoritmo de decodificación hace esto mejor. Así que introdujeron los datos en una variedad de algoritmos convencionales y varios algoritmos nuevos de aprendizaje automático.

Los algoritmos convencionales funcionan utilizando una técnica estadística conocida como regresión lineal. Esto implica estimar una curva que se ajuste a los datos y luego reducir el error asociado con ella. Es ampliamente utilizado en la decodificación neuronal en técnicas como los filtros de Kalman y las cascadas de Wiener.

Glaser y compañía compararon estas técnicas con una variedad de enfoques de aprendizaje automático basados ​​en redes neuronales. Estos incluían una red de memoria a largo y corto plazo, una red neuronal recurrente y una red neuronal de avance.

Todos estos aprenden de conjuntos de datos anotados, y cuanto más grande es el conjunto de datos, mejor aprenden. Esto generalmente implica dividir el conjunto de datos en dos: el 80 por ciento se usa para entrenar el algoritmo y el otro 20 por ciento se usa para probarlo.

Los resultados son convincentes. Glaser y compañía dicen que las técnicas de aprendizaje automático superaron significativamente los análisis convencionales. Por ejemplo, para las tres áreas del cerebro, un decodificador de Red de Memoria a Largo Corto Plazo explicó más del 40% de la variación no explicada de un filtro Wiener, dicen. Estos resultados sugieren que las técnicas modernas de aprendizaje automático deberían convertirse en la metodología estándar para la decodificación neuronal.

De alguna manera, no sorprende que las técnicas de aprendizaje automático funcionen mucho mejor. Las redes neuronales se inspiraron originalmente en la arquitectura del cerebro, por lo que se espera que puedan modelar mejor su funcionamiento.

La desventaja de las redes neuronales es que generalmente necesitan grandes cantidades de datos de entrenamiento. Pero Glaser y compañía redujeron deliberadamente la cantidad de datos de entrenamiento que alimentaban a los algoritmos y descubrieron que las redes neuronales aún superaban a las técnicas convencionales.

Probablemente se deba a que el equipo usó redes más pequeñas que las que se usan convencionalmente para técnicas como el reconocimiento facial. Nuestras redes tienen del orden de 100 mil parámetros, mientras que las redes comunes de clasificación de imágenes pueden tener del orden de 100 millones de parámetros, dicen.

El trabajo abre el camino para que otros se basen en este análisis. Glaser y compañía han puesto su código a disposición de la comunidad para que los conjuntos de datos neuronales existentes se puedan volver a analizar de la misma manera.

Hay mucho que hacer. Quizás la tarea más importante será encontrar una manera de llevar a cabo la decodificación neuronal en tiempo real. Todo el trabajo de Glaser y compañía se realizó fuera de línea después de que se realizaron las grabaciones. Pero claramente sería útil poder aprender sobre la marcha y predecir el movimiento a medida que sucede.

Este es un enfoque poderoso que tiene un potencial significativo. En otras áreas de la ciencia en las que el aprendizaje automático se ha aplicado por primera vez, los investigadores se han topado con muchas frutas al alcance de la mano. Sería una sorpresa que no ocurriera lo mismo con la decodificación neuronal.

Ref: arxiv.org/abs/1708.00909 : Aprendizaje automático para la decodificación neuronal

esconder