Hemos actualizado nuestro Política de privacidad para aclarar cómo usamos sus datos personales.

Usamos cookies para brindarle una mejor experiencia. Puede leer nuestro Política de cookies aquí.

Publicidad
Noticias

Señales de comportamiento cerebral decodificadas mediante IA

Noticias

Señales de comportamiento cerebral decodificadas mediante IA

tiempo de lectura :

Una red neuronal artificial IA diseñada por un equipo internacional que involucra a UCL puede traducir datos sin procesar de la actividad cerebral, allanando el camino para nuevos descubrimientos y una integración más cercana entre la tecnología y el cerebro.

El nuevo método podría acelerar los descubrimientos de cómo las actividades cerebrales se relacionan con los comportamientos.

El estudio publicado hoy en eLife , codirigido por el Instituto Kavli de Neurociencia de Sistemas en Trondheim y el Instituto Max Planck de Ciencias Cognitivas y Cerebrales Humanas de Leipzig y financiado por Wellcome y el Consejo Europeo de Investigación, muestra que una red neuronal convolucional, un tipo específico de aprendizaje profundoalgoritmo, es capaz de decodificar muchos comportamientos y estímulos diferentes de una amplia variedad de regiones del cerebro en diferentes especies, incluidos los humanos.

El investigador principal, Markus Frey Instituto Kavli de Neurociencia de Sistemas, dijo: “Los neurocientíficos han podido registrar conjuntos de datos cada vez más grandes del cerebro, pero comprender la información contenida en esos datos, leer el código neuronal, sigue siendo un problema difícil. En la mayoría de los casos, no sabemos qué mensajes se transmiten.

“Queríamos desarrollar un método automático para analizar datos neuronales sin procesar de muchos tipos diferentes, evitando la necesidad de descifrarlos manualmente”.

Probaron la red, llamada DeepInsight, en señales neuronales de ratas que exploraban un campo abierto y descubrieron que podía predecir con precisión la posición, la dirección de la cabeza y la velocidad de carrera de los animales. Incluso sin procesamiento manual, los resultados fueron más precisosque los obtenidos con análisis convencionales.

El autor principal, el profesor Caswell Barry UCL Cell & Developmental Biology, dijo: “Los métodos existentes pierden mucha información potencial en las grabaciones neuronales porque solo podemos decodificar los elementos que ya comprendemos. Nuestra red puede acceder a mucho másdel código neuronal y, al hacerlo, nos enseña a leer algunos de esos otros elementos.

"Podemos decodificar datos neuronales con mayor precisión que antes, pero el avance real es que la red no está limitada por el conocimiento existente".

El equipo descubrió que su modelo fue capaz de identificar nuevos aspectos del código neuronal, que muestran al detectar una representación no reconocida previamente de la dirección de la cabeza, codificada por interneuronas en una región del hipocampo que se encuentra entre las primeras en mostrar defectos funcionalesen personas con enfermedad de Alzheimer.

Además, muestran que la misma red es capaz de predecir comportamientos de diferentes tipos de registros en las áreas del cerebro y también se puede utilizar para inferir movimientos de manos en participantes humanos, que determinaron probando su red en un conjunto de datos preexistente deactividad cerebral registrada en personas.

El coautor, el profesor Christian Doeller Instituto Kavli de Neurociencia de Sistemas e Instituto Max Planck de Ciencias Cognitivas y Cerebrales Humanas dijo: “Este enfoque podría permitirnos en el futuro predecir con mayor precisión procesos cognitivos de alto nivel en humanos, comorazonamiento y resolución de problemas ".

Markus Frey agregó: "Nuestro marco permite a los investigadores obtener un análisis rápido y automatizado de sus datos neuronales no procesados, lo que ahorra tiempo que se puede dedicar solo a las hipótesis más prometedoras, utilizando métodos más convencionales".

Referencia:

Frey M, Tanni S, Perrodin C, et al. Interpretación de la actividad neuronal de banda ancha utilizando redes neuronales convolucionales. Deshmukh S, Gold JI, eds. eLife . 2021; 10: e66551. Doi : 10.7554 / eLife.66551

Este artículo se ha vuelto a publicar a partir de lo siguiente materiales . Nota: el material puede haber sido editado por su extensión y contenido. Para obtener más información, comuníquese con la fuente citada.

Publicidad