Higo capa especificidad y volumen. Crédito:Kuzovkin et al.
Investigadores del Laboratorio de Neurociencia Computacional de la Universidad de Tartu, en Estonia, han descubierto que las activaciones de redes neuronales convolucionales profundas están alineadas con la actividad de la banda gamma de la corteza visual humana. Su estudio, publicado en Biología de las comunicaciones , destaca además el potencial de la inteligencia artificial (IA) para ampliar la comprensión del cerebro humano.
La capacidad humana para reconocer objetos visualmente está mediada por una jerarquía de representaciones de características complejas a lo largo de la corriente ventral. Investigaciones anteriores han encontrado que estas son similares a la jerarquía de transformaciones aprendidas por redes neuronales convolucionales profundas (DCNN) entrenadas en imágenes.
"Gracias a investigaciones anteriores, sabíamos que existe una correspondencia entre la arquitectura jerárquica del sistema visual humano y la arquitectura en capas de las DCNN, "Jaan Aru, Raúl Vicente, e Ilya Kuzovkin, tres de los investigadores que realizaron el estudio, dijo a TechXplore. "Sin embargo, esta investigación se basó en técnicas de neuroimagen como fMRI y MEG, cada uno de los cuales tiene sus propias limitaciones ".
Las imágenes de MEG solo capturan la actividad promedio de grandes poblaciones de neuronas a la vez, mientras que fMRI no captura información temporal. Por eso, los investigadores decidieron recopilar su conjunto de datos utilizando electrodos intracraneales implantados directamente en el cerebro de sus sujetos de prueba. Esta técnica puede identificar cuándo ocurre la actividad cerebral, su ubicación anatómica, y cómo cambia con el tiempo.
"Esto nos permitió explorar con más detalle la actividad que gobierna el procesamiento visual en el cerebro humano y caracterizar con mayor precisión qué tipo de actividad guarda similitudes con la actividad de las DCNN". ", dijeron los investigadores.
Radiografía de implantación de electrodos. Crédito:Kuzovkin et al.
Los DCNN son un tipo de algoritmo de aprendizaje automático para la visión por computadora, que funcionan especialmente bien en tareas de reconocimiento de objetos. Su característica clave es que adquieren reglas para clasificar objetos automáticamente, sin ingenieros humanos que los describan.
Durante el entrenamiento, Los DCNN se entrenan en miles de imágenes de objetos (por ejemplo, gatos, árboles, carros, etc.), aprender a distinguir las características visuales de cada una de estas categorías. Los algoritmos pueden identificar correctamente objetos en imágenes que nunca antes habían encontrado, con hasta un 95 por ciento de precisión.
"Un DCNN consta de capas de neuronas artificiales, con cada capa realizando ciertas operaciones en la imagen y luego enviando información a la siguiente capa, ", dijeron los investigadores." Durante el entrenamiento, el algoritmo forma reglas sobre qué información se enviará a las capas superiores y cuándo ".
Estudios recientes han investigado los patrones y características exactos aprendidos por un DCNN. Descubrieron que a medida que uno se sumerge más profundamente en sus capas, los patrones visuales representados por sus neuronas se vuelven cada vez más complejos.
"La primera capa es responsable de detectar líneas rectas, cambios en el brillo y otras características visuales simples, "explican los investigadores." Esta información se transmite a la segunda capa, que combina características simples para construir detectores que pueden identificar formas simples. Y así progresa, volviéndose cada vez más abstracto con cada capa, con las neuronas de la capa superior que representan objetos completos, como los gatos, perros y así sucesivamente. Sabíamos que se observa un fenómeno muy similar en la corteza visual humana, así que la pregunta obvia era:¿Cuán similares son estos dos sistemas, y cuales son sus similitudes? "
HHL y volumen. Crédito:Kuzovkin et al.
Al medir las respuestas eléctricas del cerebro, los investigadores observan patrones complejos de actividad. Estos patrones se agrupan según su frecuencia:alfa (de ocho a 14 veces por segundo), beta (de 15 a 30 Hz), gamma (de 30 a ~ 70 Hz), gama alta (más de 70 Hz), y otras bandas. Se ha descubierto que estas bandas de frecuencia dependen de diferentes tipos de actividad. Por ejemplo, alfa es más fuerte cuando los humanos están relajados, mientras que beta y gamma aumentan durante la participación activa en una tarea.
"Descubrimos que la actividad en gamma baja (30 a 70 Hz) y gamma alta (70 a 150 Hz) se alinea mejor con la actividad que ocurre en las DCNN, lo que indica que lo que sucede en el cerebro en esas frecuencias es más similar a lo que están haciendo las DCNN, ", dijeron los investigadores.
Estos hallazgos están alineados con investigaciones anteriores que destacan la importancia de la actividad gamma para el reconocimiento de objetos. En el futuro, podrían ayudar a comprender mejor los cálculos exactos que se reflejan en las señales de frecuencia gamma durante el procesamiento visual.
"La búsqueda fundamental de la neurociencia es comprender cómo el cerebro codifica, almacena y transmite información y cómo la activación de miles de millones de neuronas conduce a procesos mentales complejos, como entender un texto o comunicárselo a un amigo, ", dijeron los investigadores." Este trabajo proporciona otra pieza más de este enorme rompecabezas, y destaca el importante papel que pueden desempeñar los algoritmos de IA en la comprensión del cerebro humano ".
El Laboratorio de Neurociencia Computacional de la Universidad de Tartu estudia los sistemas de aprendizaje biológicos y artificiales en paralelo, ya que compararlos podría conducir a fascinantes descubrimientos biológicos. Los investigadores ahora están trabajando en dos proyectos más, que formará el núcleo de la tesis doctoral de Kuzovkin.
"En uno de los proyectos, vamos a investigar el funcionamiento interno de un algoritmo que entrenamos para dar sentido a los datos del cerebro humano; explorar qué actividad cerebral considera útil para la tarea final y cuál descarta. Esto proporcionará una herramienta para realizar grandes volúmenes de actividad y filtrar las partes que son relevantes para una tarea mental en particular ".
© 2018 Tech Xplore
