Волево генериране на възпроизводими, ефективни времеви модели

Резюме:Една от изключителните характеристики на биологичния мозък е ниският енергиен разход, който той изисква за изпълнение на различни биологични функции и интелигентност в сравнение със съвременния изкуствен интелект (AI). Базираните на шипове енергийно ефективни времеви кодове отдавна се предполагат като допринасящи за работата на мозъка с нисък разход на енергия. Въпреки че този код е до голяма степен докладван в сензорния кортекс, дали този код може да бъде приложен в други области на мозъка, за да обслужва по-широки функции и как той се развива по време на обучението, остават неразгледани. В това проучване ние проектирахме нова парадигма на интерфейс мозък-машина (BMI). Двама макаци могат доброволно да генерират възпроизводимиенергийно ефективни времеви моделив първичната моторна кора (M1) чрез изучаване на парадигмата на BMI. Нещо повече, повечето неврони, които не са били директно назначени да контролират ИТМ, не повишават възбудимостта си и демонстрират цялостен енергийно ефективен начин при изпълнение на задачата. В хода на обучението открихме, че скоростта на задействане и времевата прецизност на избрани неврони са еволюирали съвместно, за да генериратенергийно ефективни времеви модели, което предполага, че кохезионната, а не дисоциируемата обработка е в основата на усъвършенстването на енергийно ефективни времеви модели.

Ключови думи:точни времеви модели;енергоефективен код;интерфейси мозък-машина; първичен моторен кортекс

НАТИСНЕТЕ ТУК, ЗА ДА ЗНАЕТЕ CISTANCHE ЗА МОЗЪЧНА ЕНЕРГИЯ

1. Въведение

Въпреки че човешкият мозък активно източва 20 процента от енергията на тялото, в крайна сметка той консумира само 20 вата енергия [1,2]. Освен това, едно от най-новите проучвания разкри, че енергията, изразходвана за невронни изчисления, отнема по-малко от един процент от общия бюджет [3]. В сравнение с енергията, консумирана от модерния изкуствен интелект (AI), внедрен в базиран на силиций хардуер, мозъкът консумира изключително малко, за да реализира биологичния интелект. В продължение на десетилетия учени и инженери се опитват да извлекат прозрения от схемите за невронно кодиране, за да изградят ефективни интелигентни системи. Времевото кодиране, чрез което информацията се съобщава и обработва чрез времева координация на пикове, използва дискретния характер на пиковете. Времевият код теоретично може да носи повече информация от скоростния код [4]. Следователно временното кодиране привлече вниманието и се използва в практиките на ИИ [5–7]. Въпреки това, прилагането на времеви кодове не води непременно до рядкост или нисък енергиен бюджет в световен мащаб в биологичните мозъци (Фигура 1А). Според [8] ефективността на кода се определя като съотношението на капацитета на представяне към изразходваната енергия, което се характеризира с броя на включените потенциали за действие. Едно скорошно проучване показва, че генерирането на точни времеви модели е придружено от повишено възбуждане [9]. В този случай, въпреки че прецизните времеви модели бяха силно генерирани, те не бяха счетени за ефективни, поради нарастващите метаболитни разходи, причинени от излишните пикове. Следователно е много необходимо по-задълбочено разбиране на това как се генерират ефективни времеви модели и на невронната разлика, която е в основата на генерирането на ефективни и неефективни модели. Това по-задълбочено разбиране е ключът към извличането на функционални последици в сферата на неврологията и проектирането на ефективен изкуствен интелект.

 

Фигура 1. Схема на прецизни времеви кодове. (A) Схема, илюстрираща два типа точни времеви кодове. Защрихованите правоъгълници маркират прецизната синхронизация отвъд флуктуацията на скоростта, която се запазва във влаковете на шипове на два неврона. Въпреки това, ефективният прецизен времеви модел, изобразен вдясно, съдържа по-малко пикове от този вляво, въпреки че броят на съвпаденията на пикове в двата случая е идентичен. (B) Схема на това как се изучават ефикасни кодове на изкуствени невронни мрежи чрез изрично включване на термина за регулиране във функцията на разходите, за да се санкционират високите скорости на изстрелване r(t). Тук c(t) означава целевите сигнали, които трябва да бъдат представени от мрежата. (C) Схема на изричното включване на информационен капацитет c (t) и метаболитни разходи (скорости на изпичане на неврони r (t)) в декодера на интерфейса мозък-машина за изследване на ефективните кодове in vivo. NCS(t) е декодираната променлива, дефинирана в това изследване

 

През последните десетилетия изследователите са документирали ефективни времеви модели, главно в контекста на кодирането на стимула [10,11]. Въпреки това, в допълнение към представянето на стимул, в биологичния мозък се извършват различни изчисления, за да се получи интелигентност, например работна памет, генериране на сложни самоподдържащи се модели и издаване на резултати. Въпреки това, много малко се знае дали ефикасните времеви модели могат да бъдат възпроизводимо приложени, за да обслужват по-широк набор от функции. Друга противоречива тема във връзка с ефективния код е неговата възможност за обучение. Тъй като временното изместване на всеки скок се „брои“ и всички излишни пикове биха се считали за метаболитно скъпи според определението за ефективен код, внедряването на този код в базираната на шипове невронна мрежа, за да се поддържа ефективно изчисление, е много обещаващо. Сравнително малко проучвания обаче показват, че мрежите могат да бъдат обучени да генерират ефективни модели [12–14]. Една предложена стратегия беше изрично да се ограничат скоростите на изстрелване във функцията на разходите и да се обучи мрежата с глобално обратно разпространение на грешки, което беше биологично неправдоподобно (Фигура 1B). Въпреки това не е демонстрирано дали ефективните модели могат да бъдат научени по биологично правдоподобен начин, което може да бъде предизвикателство за изследване in vivo, тъй като не могат да се дефинират „цели“ за ограничаване на излъчването на пикове по време на традиционните поведенчески задачи, какъвто е случаят в изкуствените невронни мрежи.

За да се справим с тези предизвикателства, ние се възползвахме от интерфейс мозък-машина (BMI) [15]. Освен изключителния си успех при възстановяването на двигателните [16–20], говорните [21] и психологическите функции [22], BMI наскоро даде енергия на неврологията, като предложи причинно-следствена връзка с поведенческите резултати за определени невронни модели. Изследователите могат да дефинират картографирането между невронната активност и поведенческите резултати, които бяха наречени „декодери“ [23–26]. По този начин BMI ни даде способността да дефинираме „цели“, а именно да ограничим излъчването на шипове, за да проучим дали ефективните времеви модели могат да бъдат възпроизводимо генерирани и научени (Фигура 1C). В проучването на [9] авторите показаха, че когато декодерите са функция на относително време на пик, а не на често използвани дескриптори, като скорости на задействане, за контролиране на резултатите, моделите, получени с времева точност, могат да бъдат причинно свързани с поведението. Освен това, известните картографии в такива "темпорални невропротезии" позволяват на авторите да проследят как темпоралните модели са били научени и усъвършенствани в мозъчните вериги. Това проучване обаче обхваща само случая на неефективни времеви модели, оставяйки ефективните времеви модели до голяма степен неизследвани. Следователно фокусът на тази работа е да се проучи генерирането и научаването на ефективни времеви модели в моторния кортекс чрез въвеждане на нов ИТМ, който ограничава точното време на пика, както и метаболитната цена, причинена от броя на пика.

 

2. Материали и методи

Всички хирургични и експериментални процедури са в съответствие с Ръководството за грижа и използване на лабораторни животни (Министерство на здравеопазването на Китай) и са одобрени от Комитета за грижа за животните на университета Zhejiang в Китай. Хирургичната процедура е описана подробно в [27]. Накратко, 96-каналните микроелектродни масиви (Blackrock Neurotech) бяха хронично имплантирани в първичната моторна кора на две мъжки маймуни резус (Macaca mulatta) (Маймуна B11, Маймуна C05). Маймуните отнеха около седмица, за да се възстановят от операцията, след което невронните сигнали бяха записани чрез многоканалната система за събиране на данни Cerebus (Blackrock Neurotech) при честота на извадка от 30 kHz. Спайк активностите бяха открити чрез прагове (среден квадратен множител, B11: ×5.5; C05: ×7). В първата учебна сесия и след онлайн ръчно сортиране, ние определихме две изолирани единици с най-високо съотношение сигнал към (SNR) и стабилност на формата на вълната въз основа на записи от предишни седмици, за да бъдат съответно задействаща единица и целева единица. Шаблоните за онлайн сортиране за тези две единици бяха непроменени по време на обучението и валидирани от офлайн сортирача (Plexon, Dallas, TX, USA, Inc.), за да се гарантира, че едни и същи неврони са записани и използвани за обучение в сесиите. На фигура S1A е показано, че вариацията на вълновите форми в сесиите е по-малка от средната амплитуда. Тъй като тези две избрани единици са пряко отговорни за резултата, те са етикетирани като "директни неврони". Останалите единици бяха „индиректни неврони“, които бяха открити и сортирани офлайн за последващия анализ в тази статия. Броят на записаните "индиректни неврони" е относително стабилен през дните (B11: 54,3 ± 8,5; C05: 54,3 ± 9,1). Освен това, пространствената връзка на директните неврони в масива е показана на фигура S1B.

 

2.1. Поведенческа задача

В тази задача пиковете на тригерната единица и целевата единица в прозорец от 300 ms бяха предадени в реално време към персонализирани скриптове в MATLAB (Mathworks Inc., Natick, Масачузетс, САЩ), за да се изчисли кондиционираща променлива: нормализираният резултат за съвпадение (NCS). Прозорецът се плъзгаше на всеки 150 ms с припокриване от 150 ms. След това NCS беше върнат обратно към субекта звуково и визуално, също на всеки 150 ms. Субектите ще получат водната награда, ако успеят да модулират невронните модели, за да задвижат NCS до прага за 15 s. В противен случай опитът ще бъде прекратен и субектите ще трябва да изчакат още 4 s, за да започнат следващото изпитване (Фигура 2B). Праговете на NCS за получаване на наградата бяха определени да бъдат 99-ия персентил от разпределението на NCS, които бяха оценени от базовите данни в първата сесия (взети проби на всеки 150 ms за 5 минути). Праговете на NCS (B11: 0,36; C05: 0,32) бяха фиксирани в сесиите. В основния период субектите седяха с ограничени ръце. Водата беше дадена произволно, но оскъдно, само за да успокои субекта и да му позволи да поддържа стационарно състояние, лишено от големи движения. През този период не са давани слухови или зрителни стимули.

 

Кондициониращата променлива NCS се определя, както следва:

където M и N са общият брой пикове от тригерната единица и целевата единица във времеви прозорец от 300 ms, S(∆ji) е функцията на резултата, зависима от забавянето ∆ji между времето на емисия на i-тия пик на задействаща единица и j-тото острие на целевата единица. По-конкретно, функцията на резултата приема експоненциална форма, подобно на това как синаптичната ефикасност се променя при пластичност, зависима от времето на пика (STDP) [28], където спусъкът, водещ към целта, води до положителен резултат и обратно:

 

В нашия експеримент τ беше зададен на 17 ms, за да пасне на критичния прозорец, наблюдаван в STDP експериментите [29]. Следователно числителят на NCS служи за възнаграждение не само за времевата точност, но и за правилния времеви ред. За удобство ние нарекохме този числител оценка на съвпадението (CS). Нормализирането чрез средната геометрична стойност на броенето на пикове от двете единици играе ролята на санкциониране на прекомерните пикове за ограничаване на енергийните разходи. Теоретично стойността на NCS трябва да бъде в диапазона от -1 до 1.

 

Картирахме NCS в честотата на аудио курсора, варираща от 1 kHz до 24 kHz на стъпки от четвърт октава. Освен това, ние възприехме подобна среда за визуална обратна връзка в центрираните задачи, тъй като всички субекти бяха обучени за центрирани задачи. NCS в [−0.5, 0.5] беше нанесен на вертикалната позиция на син кръг на екрана (Фигура 2A), с жълт кръг, показващ прага на възнаграждението. Визуалната обратна връзка беше реализирана с помощта на Psychtoolbox и свързана с персонализираната основна програма.

Субектите бяха ограничени от вода и трябваше да учат задачи в последователни дни, като всеки ден се провеждаха две сесии, една сутрин и друга следобед.

 

Ние също така проведохме контролен експеримент, за да проучим как нормализирането на скоростите на стрелба повлия на генерирането на ефективни времеви невронни модели. В този контролен експеримент C05 трябваше да модулира резултата за съвпадение, а не нормализирания резултат за съвпадение, използвайки различна двойка директни единици (наречена задача за "CS-модулация"). Другите конфигурации на задачите бяха идентични с тези в задачата "NCS-модулация".

 

Фигура 2. Парадигмата на задачата, базирана на BMI. (A) Задачата беше изпълнена по затворен цикъл. Невронната активност от M1 на субекта беше автоматично прочетена и извлечена. Всички изпреварвания и закъснения между шипове от спусъка и целевите единици бяха използвани за изчисляване на NCS, който беше допълнително върнат обратно чрез картографиране на честотата на аудио курсора и вертикалната позиция на визуалния курсор. В този примерен опит прагът на NCS за награда беше 0.32. Прагът за наградата за вода беше определен въз основа на разпределението на NCS, оценено в първата сесия. (B) Структура на задачите на една типична сесия. Сесията започна с 5-минутен базов блок, след което разпределението на NCS може да бъде оценено. Едно изпитване може да продължи най-много 15 s, последвано от 4 s дълъг интервал между опитите (ITI). NCS се изчислява с помощта на невронна активност в плъзгащ се прозорец от 300 ms.

 

2.2. Анализ на данни Поведенчески показатели.

Приложихме два показателя, степента на успех и продължителността на опита, за да оценим поведенческото представяне в задачата. Степента на успех се определя като съотношението между броя на успешните опити и общия брой опити в една сесия. Относително същият общ брой опити беше извършен в сесии за всеки субект (B11: 105,3 ± 12,8; C05: 215 ± 20,0) и беше използван за последващия анализ. Броят на опитите беше зададен на количеството, което субектите могат да извършат с пълна ангажираност. Друг показател, който оценява поведенческите резултати, продължителността на пробния период, беше дефиниран като времето от началото на пробния период до предоставянето на наградата.

Друг показател, който оценява поведенческите резултати, продължителността на пробния период, беше дефиниран като времето от началото на пробния период до предоставянето на наградата

 

CCH. Използвахме кръстосана корелационна хистограма (CCH) с коригирана трептене, за да изобразим времевата връзка между задействащите и целевите единици в краен времеви мащаб [30]. Произволно сменихме времето на излъчване за всеки пик от целевата единица, за да изобразим сурогатния CCH (sCCH). Тази процедура за повторно вземане на проби е изпълнена 1000 пъти [31]. Вариацията в трептенето зависи от времевата разделителна способност на CCH. Например, ако bin на CCH е 15 ms, както е показано на фигура 5A, тогава стандартното отклонение на произволно трептене ("прозорец на трептене") също трябва да бъде зададено на 15 ms. Извадихме този sCCH от необработения CCH, за да получим коригирания CCH. По този начин ние гарантирахме, че структурираните модели на изпичане или вариациите във времевите мащаби, сравними с времевата разделителна способност на CCH, ще бъдат премахнати. По същество всяка лента на конкретен контейнер в CCH представлява възможността за пик от задействащи неврони за генериране на съвпадение с целевия неврон. Следователно можем да използваме лентата, стояща до нулево забавяне, за да измерим времевата точност на два неврона. Тъй като нашето проучване се фокусира върху времевата прецизност с времеви ред, ние използвахме само съвпадение в [0, 15] ms или [0, 5] ms за анализ. В допълнение, вероятността на опашката на sCCH беше използвана за конструиране на лентите на приемане. Лентата за грешки в CCH с коригирана трептене очертава стандартното отклонение на sCCH

Сравнение на броя на пиковете за точни времеви модели. За да тестваме хипотезата, че генерираните прецизни времеви модели са енергийно ефективни, сравнихме броя на пиковете на прецизните времеви модели, събрани от блока задачи, с тези от базовия блок, като контролирахме резултата за съвпадение. По-конкретно, взехме проби от 300 ms дългите невронни модели от базовия блок (чрез преместване на прозореца на стъпки от 150 ms), чийто резултат на съвпадение беше в диапазона на резултатите на съвпадение от възнаграждаващите невронни модели.

 

Освен това, ние също сравнихме броя на пиковете на точните времеви модели, събрани от тази задача, с тези от възнаграждаващите невронни модели на задачата за CS-модулация. По подобен начин взехме проби от невронните модели от тези два набора, така че диапазонът от резултати за съвпадение да съвпада. Индекс на модулация.

 

Индексът на модулация беше използван за характеризиране на дълбочината на модулация на единични неврони в блока на задачите, основан на неговото задействане в базовия блок FRbaseline:

 

По-конкретно, FRtask беше оценен с помощта на успешните опити в блока със задачи. Стабилни сесии. За да открием стабилните сесии (или платото за обучение) в общо n записващи сесии, ние итеративно изчислихме съотношението rk между дисперсията на степента на успех от последните k сесии σ 2 ({Si |i=n − k плюс 1, ..., n}) и това от първото σ 2 ({Si |i=1, ..., n − k}), както следва:

 

където Si означава степента на успех в сесия i. k беше итерирано от 2 до n − 1 и итерацията беше прекратена, когато rk беше по-голямо от rk−1. Последната k − 1 сесия ще бъде върната като стабилни сесии. С други думи, добавянето на k-тата сесия към последните k - 1 сесии би увеличило поведенческата вариация и следователно не е необходимо да се счита за стабилна сесия. Въз основа на този критерий, сесия 6 до сесия 10 от B11 и сесия 9 до сесия 10 от C05 бяха счетени за стабилни.

Превишаване на NCS. NCS, който надхвърли прага за възнаграждение, беше определен като превишаващ NCS. За да се противопоставим на несъответствието на праговите стойности при двата субекта, ние извадихме разликата в праговете ({{0}}.36 − 0.32=0.04) от всички превишаващи NCS на B11 ​​в ред за изобразяване на коригираното превишаване на NCS.

2.3. Процент на успешен статистически анализ.

Първо беше извършено линейно напасване, за да се тества възходящата тенденция във всеки субект. Едностранният тест на Ман-Уитни беше допълнително използван за сравняване на успеваемостта в ранната фаза спрямо тази в късната фаза. Всяка група комбинира четирите сесии на двата субекта (n=8) [32].

Продължителност на изпитанието. За да сравним продължителността на изпитването в ранната фаза с тази в късната фаза, събрахме заедно проби от продължителността на изпитването от различни сесии и субекти. Като се има предвид тази вложена структура, беше използвана двупосочна ANOVA (F(DFn, DFd)), за да се разкрие вариацията на фактора "фаза" и взаимодействието между различните фактори. Тест за значимо съвпадение. Стандартното отклонение на сурогатния CCH след повторно вземане на проби беше използвано за изчисляване на горната граница на доверителния интервал за всеки бин под различни алфа (напр. 0.05 за 95 процента увереност). По този начин тествахме значителното съвпадение на всеки бин чрез сравняване на коригирания за трептене CCH с тези горни граници. Ефективна стрелба с нормализиране на скоростта на стрелба.

Като се има предвид, че броят на пиковете в невронния модел с дължина 300 ms е дискретна променлива, тестът на Мак-Скилингс (непараметрична двупосочна ANOVA) беше използван за тестване срещу нулевата хипотеза, че броят на пиковете е прецизен времевите модели от блок задача и от базов блок (или задача за CS-модулация) нямаха разлика. С резултата за съвпадение като втори фактор, той беше групиран в пет блока от 0,9 до 2,9 (три блока от 1,8 до 3,2 в сравнение със задачата за CS-модулация). Индекс на мрежова модулация. Индексите на модулация на всички значително модулирани индиректни неврони през сесиите (четири сесии за всяко условие) бяха събрани заедно и беше използван t-тест за една проба, за да се провери дали средният индекс на модулация е статистически различен от нула. Конвергентно разпределение на коригирано превишаване на NCS. Използван е двупробен тест на Колмогоров-Смирнов, за да се тества срещу нулевата хипотеза, че коригираното превишаване на NCS на два субекта е от едно и също разпределение.

---

Питай за още:

Имейл:wallence.suen@wecistanche.com

Whatsapp/телефон: плюс 86 15292862950

МАГАЗИН:

https://www.xjcistanche.com/cistanche-shop