Вољна генерација репродуктивних, ефикасних временских образаца
Jul 14, 2023
Апстрактан:Једна од изванредних карактеристика биолошког мозга је низак трошак енергије који је потребан за имплементацију различитих биолошких функција и интелигенције у поређењу са модерном вештачком интелигенцијом (АИ). Енергетски ефикасни темпорални кодови засновани на шиљцима дуго се предлажу као допринос томе да мозак ради на ниским трошковима енергије. Упркос томе што је овај код у великој мери пријављен у сензорном кортексу, остало је нерешено да ли се овај код може применити у другим областима мозга да би служио ширим функцијама и како се развија током учења. У овој студији смо дизајнирали нову парадигму интерфејса мозак-машина (БМИ). Два макака могу вољно да генеришу репродуцибилнеенергетски ефикасни временски обрасциу примарном моторном кортексу (М1) учењем парадигме БМИ. Штавише, већина неурона који нису били директно додељени да контролишу БМИ нису повећали своју ексцитабилност и показали су укупан енергетски ефикасан начин у обављању задатка. Током учења, открили смо да су стопе покретања и временска прецизност одабраних неурона заједно еволуирали да би генерисалиенергетски ефикасни временски обрасци, што сугерише да кохезивна, а не раздвојна обрада лежи у основи пречишћавања енергетски ефикасних временских образаца.
Кључне речи:прецизни временски обрасци;енергетски ефикасан код;интерфејси мозак-машина; примарни моторни кортекс
КЛИКНИТЕ ОВДЕ ДА ЗНАТЕ ЦИСТАНЦХЕ ЗА ЕНЕРГИЈУ МОЗГА
1. Представљање
Иако људски мозак активно црпи 20 процената телесне енергије, он на крају троши само 20 вати енергије [1,2]. Штавише, једна од најновијих студија је открила да снага која се троши на неуронско рачунање заузима мање од једног процента укупног буџета [3]. У поређењу са енергијом коју троши модерна вештачка интелигенција (АИ) имплементирана у хардвер базиран на силицијуму, мозак троши изузетно мало за имплементацију биолошке интелигенције. Деценијама, научници и инжењери покушавају да извуку увид из шема неуронског кодирања како би изградили ефикасне интелигентне системе. Временско кодирање, којим се информације саопштавају и обрађују кроз временску координацију скокова, користи дискретну природу скокова. Временски код теоретски може да носи више информација од кода брзине [4]. Стога је временско кодирање привукло пажњу и користи се у пракси вештачке интелигенције [5–7]. Међутим, имплементација временских кодова не мора нужно довести до оскудности или ниског енергетског буџета на глобалном нивоу у биолошким мозговима (Слика 1А). Према [8], ефикасност кода се дефинише као однос капацитета репрезентације према утрошеној енергији, коју карактерише број укључених акционих потенцијала. Једна недавна студија је показала да је стварање прецизних временских образаца праћено повишеном ексцитацијом [9]. У овом случају, иако су прецизни временски обрасци снажно генерисани, они се нису сматрали ефикасним, због растућег метаболичког трошка изазваног вишком скокова. Стога је веома потребно дубље разумевање начина на који се генеришу ефикасни временски обрасци и неуронске разлике која лежи у основи генерисања ефикасних и неефикасних образаца. Ово дубље разумевање је кључ за извлачење функционалних импликација у домену неуронауке и дизајнирања ефикасне вештачке интелигенције.
Слика 1. Шема прецизних временских кодова. (А) Шема која илуструје две врсте прецизних временских кодова. Осенчени правоугаоници означавају прецизну синхронизацију изван флуктуације брзине која је сачувана у низовима шиљака два неурона. Међутим, ефикасан прецизан временски образац приказан на десној страни садржи мање шиљака од оног на левој страни, иако је број шиљастих подударности под ова два случаја идентичан. (Б) Шематски приказ како се ефикасни кодови проучавају на вештачким неуронским мрежама експлицитним укључивањем термина регуларизације у функцију трошкова како би се казниле високе стопе активирања р(т). Овде ц(т) означава циљне сигнале које ће мрежа представљати. (Ц) Шема експлицитне инкорпорације информационог капацитета ц(т) и метаболичке цене (брзине покретања неурона р(т)) у декодер интерфејса мозак-машина за проучавање ефикасних кодова ин виво. НЦС(т) је декодирана променљива дефинисана у овој студији
Током последњих деценија, истраживачи су документовали ефикасне временске обрасце, углавном у контексту кодирања стимулуса [10,11]. Међутим, поред представљања стимулуса, различита израчунавања се изводе у биолошком мозгу како би се добила интелигенција, на пример, радна меморија, генерисање сложених самоодрживих образаца и издавање излазних података. Ипак, врло мало се зна о томе да ли би се ефикасни временски обрасци могли репродуктивно имплементирати како би служили ширем спектру функција. Још једна контроверзна тема у вези са ефикасним кодом је његова могућност учења. Пошто се временско померање сваког шиљка „броји“, а сваки вишак шиљака би се сматрао метаболички скупим према дефиницији ефикасног кода, примена овог кода у неуронској мрежи заснованој на шиљцима да би се подржало ефикасно рачунање има много обећања. Међутим, релативно мало студија је показало да се мреже могу обучити да генеришу ефикасне обрасце [12–14]. Једна предложена стратегија је била да се експлицитно ограничи стопе паљења у функцији трошкова и да се обучи мрежа са глобалним ширењем грешке уназад, што је било биолошки невероватно (Слика 1Б). Ипак, није показано да ли се ефикасни обрасци могу научити на биолошки прихватљив начин, што би могло бити изазовно за истраживање ин виво пошто се не могу дефинисати „циљеви“ да се ограничи емисија шиљака током традиционалних задатака понашања, што је случај. у вештачким неуронским мрежама.
Да бисмо одговорили на ове изазове, искористили смо предности интерфејса мозак-машина (БМИ) [15]. Поред свог изузетног успеха у обнављању моторичких [16–20], говора [21] и психолошких функција [22], БМИ је недавно подстакао неуронауку нудећи узрочност исхода понашања за одређене нервне обрасце. Истраживачи могу да дефинишу мапирања између неуронске активности и исхода понашања, која су названа „декодери“ [23–26]. Дакле, БМИ нам је дао способност да дефинишемо „циљеве“, односно да ограничимо емисију шиљака како бисмо истражили да ли се ефикасни временски обрасци могу репродуктивно генерисати и научити (слика 1Ц). У студији [9], аутори су показали да када су декодери у функцији релативног времена скока, а не уобичајено коришћених дескриптора као што су стопе окидања, за контролу исхода, обрасци који се изазивају са временском прецизношћу могу бити узрочно повезани са понашањем. Штавише, позната мапирања у таквој "временској неуропростетици" омогућила су ауторима да прате како су темпорални обрасци научени и рафинирани у можданим круговима. Међутим, та студија је покрила само случај неефикасних временских образаца, остављајући ефикасне временске обрасце углавном неистраженим. Због тога је фокус овог рада проучавање генерисања и учења ефикасних временских образаца у моторном кортексу увођењем новог БМИ који ограничава прецизно време пораста, као и метаболичке трошкове које доноси број скокова.
2. Материјал и методе
Све хируршке и експерименталне процедуре биле су у складу са Водичем за негу и употребу лабораторијских животиња (Кинеско Министарство здравља) и одобрене су од стране Комитета за негу животиња Универзитета Зхејианг у Кини. Хируршка процедура је детаљно описана у [27]. Укратко, 96-низови микроелектрода канала (Блацкроцк Неуротецх) су хронично имплантирани у примарни моторни кортекс два мужјака резус мајмуна (Мацаца мулатта) (мајмун Б11, мајмун Ц05). Мајмунима је требало отприлике недељу дана да се опораве од операције, након чега су неуронски сигнали снимљени преко вишеканалног система за прикупљање података Церебус (Блацкроцк Неуротецх) при брзини узорковања од 30 кХз. Активности шиљака су откривене прагом (множитељ средњег квадрата, Б11: ×5,5; Ц05: ×7). У првој сесији учења и након ручног сортирања на мрежи, доделили смо две изоловане јединице са највећим односом сигнала и сигнала (СНР) и стабилношћу таласног облика на основу снимака из претходних недеља да буду јединица окидача и циљна јединица, респективно. Шаблони за онлајн сортирање за ове две јединице су непромењени током учења и потврђени од стране офлајн сортера (Плекон, Даллас, ТКС, УСА, Инц.) како би се осигурало да су исти неурони снимљени и коришћени за обуку током сесија. На слици С1А је приказано да је варијација таласних облика кроз сесије мања од просечне амплитуде. Пошто су ове две одабране јединице биле директно одговорне за исход, означене су као „директни неурони“. Остатак јединица су били "индиректни неурони", који су откривени и сортирани ван мреже за каснију анализу у овом чланку. Број забележених „индиректних неурона“ био је релативно стабилан током дана (Б11: 54,3 ± 8,5; Ц05: 54,3 ± 9,1). Поред тога, просторни однос директних неурона у низу је приказан на слици С1Б.
2.1. Задатак понашања
У овом задатку, шиљци јединице окидача и циљне јединице у прозору од 3{{13}0 мс стримовани су у реалном времену у прилагођене скрипте у МАТЛАБ-у (Матхворкс Инц., Натицк, МА, САД) да би се израчунала условљавајућа варијабла: нормализовани резултат коинциденције (НЦС). Прозор се померао сваких 150 мс са преклапањем од 150 мс. НЦС се затим враћао субјекту слушно и визуелно, такође сваких 150 мс. Субјекти би добили награду за воду ако би успели да модулишу неуронске обрасце да доведу НЦС до прага за 15 с. У супротном, испитивање би било прекинуто, а субјекти би морали да чекају још 4 с да започну следеће испитивање (слика 2Б). НЦС прагови за добијање награде постављени су на 99. перцентил дистрибуције НЦС, који су процењени на основу основних података у првој сесији (узорковани сваких 150 мс током 5 минута). Прагови НЦС-а (Б11: 0,36; Ц05: 0,32) су фиксирани у свим сесијама. У основном периоду, субјекти су седели са ограниченим рукама. Вода је давана насумично, али ретко, само да би се субјект смирио и омогућио му да одржи стационарно стање без великих покрета. У овом периоду нису давани ни слушни ни визуелни стимуланси.
Варијабла условљавања НЦС је дефинисана на следећи начин:
где су М и Н укупан број скокова из јединице окидача и циљне јединице у временском прозору од 300 мс, С(∆ји) је функција скора која зависи од кашњења ∆ји између времена емитовања и-тог скока окидач и ј-ти шиљак циљне јединице. Прецизније, функција скора поприма експоненцијални облик, слично томе како се синаптичка ефикасност мења под пластичношћу зависном од шиљка (СТДП) [28], где окидач који води циљ резултира позитивним резултатом и обрнуто:
У нашем експерименту, τ је постављено на 17 мс да одговара критичном прозору уоченом у СТДП експериментима [29]. Дакле, бројилац НЦС је служио да награди не само временску прецизност, већ и исправан временски ред. Ради погодности, назвали смо овај бројилац коинциденцијални резултат (ЦС). Нормализација геометријском средином броја скокова из две јединице играла је улогу кажњавања прекомерних скокова због ограничавања трошкова енергије. Теоретски, вредност НЦС треба да буде у опсегу од -1 до 1.
НЦС смо мапирали у фреквенцију аудио курсора, у распону од 1 кХз до 24 кХз у корацима од четвртине октаве. Штавише, усвојили смо слично окружење визуелних повратних информација у задацима који су усмерени на центар, пошто су сви субјекти били обучени за задатке у центру. НЦС у [−0.5, 0.5] је мапиран на вертикалну позицију плавог круга на екрану (Слика 2А), са жутим кругом који означава праг награде. Визуелна повратна информација је имплементирана помоћу Псицхтоолбок-а и повезана са прилагођеним главним програмом.
Субјекти су били ограничени на воду и морали су да уче задатке узастопних дана, при чему су се сваког дана одржавале две сесије, једна ујутру и друга поподне.
Такође смо спровели контролни експеримент како бисмо истражили како је нормализација брзина паљења утицала на генерисање ефикасних темпоралних неуронских образаца. У овом контролном експерименту, Ц05 је морао да модулише резултат коинциденције уместо нормализованог резултата коинциденције користећи другачији пар директних јединица (назван задатак "ЦС-модулација"). Остале конфигурације задатака биле су идентичне онима у задатку "НЦС-модулација".
Слика 2. Парадигма задатака заснована на БМИ. (А) Задатак је покренут на начин затворене петље. Неурална активност из М1 субјекта је аутоматски прочитана и екстрахована. Сва одвођења и кашњења између шиљака од окидача и циљних јединица коришћени су за израчунавање НЦС-а, који је даље враћан мапирањем на фреквенцију аудио курсора и вертикалну позицију визуелног курсора. У овом огледном огледу, НЦС праг за награду био је 0.32. Праг за награду за воду је постављен на основу расподеле НЦС процењене у првој сесији. (Б) Структура задатка једне типичне сесије. Сесија је почела са 5-мин основног блока, након чега је могла да се процени дистрибуција НЦС-а. Једно испитивање може трајати највише 15 с, након чега слиједи интервал између покушаја од 4 с (ИТИ). НЦС је израчунат коришћењем неуронске активности у клизном прозору од 300 мс.
2.2. Анализа података Метрике понашања.
Применили смо две метрике, стопу успеха и трајање суђења, да бисмо проценили учинак понашања у задатку. Стопа успешности је дефинисана као однос између броја успешних покушаја и укупног броја покушаја у једној сесији. Релативно исти укупан број испитивања обављен је током сесија за сваког субјекта (Б11: 105,3 ± 12,8; Ц05: 215 ± 20,0) и коришћен је за следећу анализу. Број испитивања је био подешен на износ који су субјекти могли да изведу уз пуно ангажовање. Још једна метрика која процењује перформансе понашања, трајање пробе, дефинисана је као време од почетка пробе до испоруке награде.
Друга метрика која процењује учинак понашања, трајање пробе, дефинисана је као време од почетка пробе до испоруке награде
ЦЦХ. Користили смо хистограм унакрсне корелације (ЦЦХ) са исправљеним подрхтавањем да бисмо приказали временски однос између окидача и циљних јединица на коначној временској скали [30]. Насумично смо мењали време емисије за сваки скок из циљне јединице да бисмо приказали сурогирани ЦЦХ (сЦЦХ). Ова процедура поновног узорковања је покренута 1000 пута [31]. Варијација у подрхтавању зависила је од временске резолуције ЦЦХ. На пример, ако је бин ЦЦХ био 15 мс, као што је приказано на слици 5А, онда би стандардна девијација насумичних подрхтавања („прозор подрхтавања“) такође требало да буде подешена на 15 мс. Одузели смо овај сЦЦХ од сировог ЦЦХ да бисмо добили исправљени ЦЦХ. На овај начин смо гарантовали да ће структурирани обрасци паљења или варијације у временским скалама упоредивим са временском резолуцијом ЦЦХ бити уклоњене. У суштини, свака трака одређене канте у ЦЦХ-у представља могућност да велики број неурона окидача генерише подударност са циљним неуроном. Стога бисмо могли да користимо траку која стоји поред нулте кашњења да измеримо временску прецизност два неурона. Пошто се наша студија фокусирала на временску прецизност са временским редоследом, за анализу смо користили само случајност у [0, 15] мс или [0, 5] мс. Поред тога, вероватноћа репа сЦЦХ је коришћена за конструисање прихватљивих опсега. Трака грешке у ЦЦХ-у са исправљеном подрхтавањем представљала је стандардну девијацију сЦЦХ-а
Поређење броја скокова за прецизне временске обрасце. Да бисмо тестирали хипотезу да су генерисани прецизни временски обрасци енергетски ефикасни, упоредили смо број скокова прецизних временских образаца прикупљених из блока задатака са онима из основног блока док смо контролисали резултат случајности. Тачније, узорковали смо неуронске обрасце дуге 300 мс из основног блока (померањем прозора у корацима од 150 мс), чији је резултат подударности био у опсегу резултата коинциденције од награђиваних неуронских образаца.
Поред тога, упоредили смо и број скокова прецизних временских образаца прикупљених из овог задатка са онима из награђиваних неуронских образаца задатка ЦС-модулације. Слично томе, узорковали смо неуронске обрасце из ова два скупа како би се распон резултата коинциденција поклопио. Индекс модулације.
Индекс модулације је коришћен за карактеризацију дубине модулације појединачних неурона у блоку задатака на основу његовог активирања у основном блоку ФРбаселине:
Тачније, ФРтаск је процењен коришћењем успешних покушаја у блоку задатака. Стабилне сесије. Да бисмо сазнали стабилне сесије (или плато учења) у укупно н сесија снимања, итеративно смо израчунали однос рк између варијансе стопе успеха из последњих к сесија σ 2 ({Си |и=н − к плус 1, ..., н}) и то од првог σ 2 ({Си |и=1, ..., н − к}) на следећи начин:
где Си означава стопу успеха на сесији и. к је итерирано од 2 до н − 1, а итерација је прекинута када је рк било веће од рк−1. Последња к − 1 сесија би била враћена као стабилне сесије. Другим речима, додавање к-те сесије последњих к − 1 сесија би повећало варијацију понашања и стога се не мора сматрати стабилном сесијом. На основу овог критеријума, сесија 6 до сесије 10 Б11 и сесија 9 до сесије 10 Ц05 су сматране стабилним.
Оверсхоотинг НЦС. НЦС који је премашио праг за награду дефинисан је као НЦС који је премашио. Да бисмо се супротставили нескладу вредности прага код два субјекта, одузели смо разлику у праговима ({{0}}.36 − 0.32=0.04) од свих прекорачених НЦС-а Б11 по реду да прикаже исправљено прекорачење НЦС.
2.3. Стопа успешности статистичке анализе.
Линеарно прилагођавање је прво изведено да би се тестирао узлазни тренд код сваког субјекта. Једнострани Манн-Вхитнеи тест је даље коришћен за упоређивање стопе успеха у раној фази у односу на ону у касној фази. Свака група је комбиновала четири сесије два предмета (н=8) [32].
Трајање суђења. Да бисмо упоредили трајање испитивања у раној фази са оним у касној фази, спојили смо узорке трајања испитивања из различитих сесија и субјеката. С обзиром на ову угнежђену структуру, коришћена је двосмерна АНОВА (Ф(ДФн, ДФд)) да би се открила варијација фактора „фазе“ и интеракција између различитих фактора. Тест за значајну случајност. Стандардна девијација замењеног ЦЦХ након поновног узорковања је коришћена за израчунавање горње границе интервала поверења за сваку бину под различитим алфама (нпр. 0.05 за 95 процената поузданости). Стога смо тестирали значајну подударност сваке корпе упоређујући ЦЦХ исправљени јиттер са тим горњим границама. Ефикасно паљење са нормализацијом брзине паљбе.
С обзиром на то да је број скокова у неуронском обрасцу од 300 мс био дискретна варијабла, Мек-Скилингсов тест (непараметријска двосмерна АНОВА) је коришћен за тестирање у односу на нулту хипотезу да број шиљака прецизно временски обрасци из блока задатака и из основног блока (или задатка ЦС-модулације) нису имали разлике. Са резултатом коинциденције као другим фактором, он је подељен у пет блокова од 0,9 до 2,9 (три блока од 1,8 до 3,2 у поређењу са задатком ЦС-модулације). Индекс мрежне модулације. Индекси модулације свих значајно модулисаних индиректних неурона кроз сесије (четири сесије за свако стање) су обједињени, а т-тест једног узорка је коришћен да се испита да ли се средњи индекс модулације статистички разликује од нуле. Конвергентна дистрибуција коригованог прекорачења НЦС. Колмогоров-Смирнов тест са два узорка је коришћен да се тестира против нулте хипотезе да је кориговано прекорачење НЦС код два субјекта из исте дистрибуције.
Тражи више:
Е-пошта:wallence.suen@wecistanche.com
Вхатсапп/тел: плус 86 15292862950
ПРОДАВНИЦА:
хттпс://ввв.кјцистанцхе.цом/цистанцхе-схоп