Η τεχνητή νοημοσύνη ανιχνεύει εγκεφαλικές ταλαντώσεις που σχετίζονται με τη μνήμη και τις ασθένειες

περίληψη: Μια πρόσφατη μελέτη έδειξε ένα μεγάλο άλμα στη μελέτη των ταλαντώσεων του εγκεφάλου, ιδιαίτερα των αιχμών, οι οποίες είναι απαραίτητες για τη ρύθμιση της μνήμης και επηρεάζονται σε διαταραχές όπως η επιληψία και το Αλτσχάιμερ. Οι ερευνητές έχουν αναπτύξει μια εργαλειοθήκη μοντέλων τεχνητής νοημοσύνης εκπαιδευμένα σε δεδομένα EEG τρωκτικών για την αυτοματοποίηση και ενίσχυση της ανίχνευσης αυτών των ταλαντώσεων, αποδεικνύοντας αποτελεσματική σε δεδομένα από πρωτεύοντα πλην του ανθρώπου.

Αυτή η ανακάλυψη, που προέκυψε από ένα συνεργατικό hackathon, καθιστά περισσότερα από εκατό βελτιστοποιημένα μοντέλα μηχανικής μάθησης, συμπεριλαμβανομένων μηχανών υποστήριξης διανυσμάτων και συνελικτικών νευρωνικών δικτύων, ελεύθερα διαθέσιμα στην επιστημονική κοινότητα. Αυτή η εξέλιξη ανοίγει νέους ορίζοντες στις εφαρμογές της νευροτεχνολογίας, ιδιαίτερα στη διάγνωση και κατανόηση των νευρολογικών διαταραχών.

Βασικά στοιχεία:

1. Καινοτομία που βασίζεται στην τεχνητή νοημοσύνη: Η μελέτη παρουσιάζει μια εργαλειοθήκη μοντέλων τεχνητής νοημοσύνης ικανά να ανιχνεύουν εγκεφαλικά κύματα, βασικά για τη ρύθμιση της μνήμης και τις νευρολογικές παθήσεις.
2. Εφαρμογή μεταξύ ειδών: Αυτά τα μοντέλα αρχικά εκπαιδεύτηκαν σε δεδομένα τρωκτικών και στη συνέχεια δοκιμάστηκαν επιτυχώς σε δεδομένα ηλεκτροεγκεφαλογραφήματος (EEG) μη ανθρώπινων πρωτευόντων, υποδηλώνοντας πιθανή εφαρμογή στον άνθρωπο.
3. Συνεισφορά ανοιχτού κώδικα: Περισσότερα από εκατό μοντέλα μηχανικής μάθησης από το έργο είναι πλέον ανοιχτά διαθέσιμα για ερευνητική χρήση και περαιτέρω ανάπτυξη, αποδεικνύοντας το πνεύμα συνεργασίας της επιστημονικής κοινότητας.

πηγή: CSIC

Η μελέτη των εγκεφαλικών ταλαντώσεων έχει βελτιώσει την κατανόησή μας για τη λειτουργία του εγκεφάλου. Οι κυματισμοί είναι ένας τύπος ταχείας ταλάντωσης που βασίζεται στην οργάνωση των αναμνήσεων. Προσβάλλονται από νευρολογικές διαταραχές όπως η επιληψία και το Αλτσχάιμερ.

Για το λόγο αυτό, θεωρείται βιοδείκτης ηλεκτροεγκεφαλογραφίας (EEG). Ωστόσο, οι κυματισμοί εμφανίζουν διαφορετικές κυματομορφές και ιδιότητες που μπορεί να παραλείπονται από τις τυπικές φασματοσκοπικές μεθόδους.

Πρόσφατα, η κοινότητα των νευροεπιστημών ζήτησε την ανάγκη βελτίωσης, εναρμόνισης και βελτίωσης της ανίχνευσης κυματισμών σε μια σειρά εργασιών και τύπων. Σε αυτή τη μελέτη, οι συγγραφείς χρησιμοποίησαν καταγραφές που ελήφθησαν από ποντίκια εργαστηρίου για να εκπαιδεύσουν μια εργαλειοθήκη για μοντέλα μηχανικής μάθησης.

«Δοκιμάσαμε τη δύναμη αυτών των μοντέλων χρησιμοποιώντας δεδομένα από πρωτεύοντα πλην του ανθρώπου που συλλέχθηκαν στο Πανεπιστήμιο Vanderbilt (Nashville, ΗΠΑ) από τον Saman Abbaspour και τον επικεφαλής του εργαστηρίου Cary Hoffman ως μέρος της Brain Initiative.

«Διαπιστώσαμε ότι είναι δυνατό να χρησιμοποιηθούν δεδομένα EEG τρωκτικών για την εκπαίδευση αλγορίθμων τεχνητής νοημοσύνης που μπορούν να εφαρμοστούν σε δεδομένα από πρωτεύοντα θηλαστικά και πιθανώς ανθρώπους, υπό την προϋπόθεση ότι χρησιμοποιούνται οι ίδιοι τύποι τεχνικών καταγραφής», εξηγεί ο de la Preda.

Το Model Toolkit προέκυψε ως αποτέλεσμα του hackathon, με αποτέλεσμα τη σύντομη λίστα με τα καλύτερα μοντέλα ανίχνευσης. Στη συνέχεια, αυτές οι αρχιτεκτονικές επιμελήθηκαν και βελτιώθηκαν από τους συγγραφείς, οι οποίοι τώρα παρέχουν όλο τον κώδικα και τα δεδομένα ανοιχτά στην ερευνητική κοινότητα.

Τα μοντέλα περιλαμβάνουν μερικές από τις πιο δημοφιλείς αρχιτεκτονικές εποπτευόμενης μάθησης, όπως μηχανές διανυσμάτων υποστήριξης, δέντρα αποφάσεων και συνελικτικά νευρωνικά δίκτυα.

«Έχουμε εντοπίσει περισσότερα από εκατό πιθανά μοντέλα διαφορετικών αρχιτεκτονικών που είναι τώρα διαθέσιμα για εφαρμογή ή επανεκπαίδευση από άλλους ερευνητές». Αυτό σχολίασαν οι Andrea Navas Olivier και Adrien Rubio, οι πρώτοι συγγραφείς αυτού του έργου.

«Αυτή η τράπεζα μοντέλων τεχνητής νοημοσύνης θα παρέχει νέες εφαρμογές στον τομέα των νευροτεχνολογιών και θα μπορούσε να είναι χρήσιμη για την ανίχνευση και ανάλυση ταλαντώσεων υψηλής συχνότητας σε ασθένειες όπως η επιληψία, όπου είναι κλινικά σημάδια», καταλήγει ο de la Preda, μέλος του CSIC. Η σύνδεση AI-HUB στοχεύει στην ανάπτυξη της χρήσης της τεχνητής νοημοσύνης και των εφαρμογών της.

Σχετικά με την τεχνητή νοημοσύνη και τις ειδήσεις έρευνας νευροεπιστήμης

συγγραφέας: Μαρία Γκονζάλες
πηγή: CSIC
επικοινωνία: Μαρία Γκονζάλες – CSIC
εικόνα: Η εικόνα πιστώθηκε στο Neuroscience News

Αρχική αναζήτηση: Ανοιχτή πρόσβαση.
“Εργαλεία μηχανικής μάθησης για την ανάλυση κυματισμών απότομων κυμάτων αποκαλύπτουν χαρακτηριστικά κυματομορφής που μοιράζονται μεταξύ των ειδών«Από τους Carrie Hoffman et al. Βιολογία της επικοινωνίας

μια περίληψη

Εργαλεία μηχανικής εκμάθησης για την ανάλυση κυμμάτων απότομων κυμάτων αποκαλύπτουν χαρακτηριστικά κυματομορφής που μοιράζονται μεταξύ των ειδών

Η μελέτη των αιχμών έχει βελτιώσει την κατανόησή μας για τη λειτουργία της μνήμης και η μεταβολή τους σε νευρολογικές καταστάσεις όπως η επιληψία είναι ένας βιοδείκτης δυσλειτουργίας.

Οι κυματισμοί αιχμηρών κυμάτων παρουσιάζουν ποικίλα σχήματα και ιδιότητες κυμάτων που δεν μπορούν να περιγραφούν πλήρως μόνο με φασματοσκοπικές μεθόδους.

Εδώ, περιγράφουμε μια εργαλειοθήκη για μοντέλα μηχανικής μάθησης για την αυτόματη ανίχνευση και ανάλυση αυτών των συμβάντων.

Οι αρχιτεκτονικές μηχανικής μάθησης, που προέκυψαν από ένα συλλογικό hackathon, είναι σε θέση να συλλάβουν τον πλούτο των κυματιστών χαρακτηριστικών που καταγράφονται στον ραχιαίο ιππόκαμπο των ποντικών σε συνθήκες εγρήγορσης και ύπνου. Όταν εφαρμόζονται σε δεδομένα από τον ιππόκαμπο του μακάκου, αυτά τα μοντέλα είναι σε θέση να γενικεύουν την ανίχνευση και να ανιχνεύουν κοινές ιδιότητες μεταξύ των ειδών.

Με το παρόν παρέχουμε μια εύχρηστη εργαλειοθήκη ανοιχτού κώδικα για χρήση και επέκταση μοντέλων, η οποία μπορεί να βοηθήσει στην επιτάχυνση και την τυποποίηση της ανάλυσης κυμμάτων αιχμηρού κύματος, μειώνοντας το όριο για την υιοθέτησή της σε βιοϊατρικές εφαρμογές.