Автор: 
Для создания интерфейсов мозг-машина необходимо понять, как сигналы мозга связаны с действиями и поведением особи. Такое распознавание называется «нейронным декодированием». Большинство исследований в этой области проводится с помощью регистрации электрической активности клеток мозга, которая измеряется электродами, имплантированными в мозг. Но электродов всегда очень немного (по сравнению с числом нейронов), и картинка получается очень локальная и дискретная. С другой стороны, есть технология функциональной визуализации фМРТ. Она охватывает целые регионы, но точность измерений пока при этом недостаточна для подробной картинки.
Наиболее перспективным для получения картины мозга является метод визуализации кальция. Он позволят контролировать весь мозг, выделять активные области с помощью флуоресцентных белков и измерять активность нейронов по интенсивности излучения. Метод хорош и тем, что его можно использовать для получения картинки в реальном времени. У этого метода есть свои ограничения — его нельзя использовать для исследования мозга человека, поскольку необходимо генномодифицировать нейроны или вводить в них специальные красители. Но для опытов на животных метод визуализации кальция показывает на сегодня едва ли не лучшие результаты.
Учёные Университета Кобе разработали нейронную сеть, которая по картинке, созданной методом визуализации кальция, решает проблему «нейронного декодирования», то есть, посмотрев на мозг, модель может сказать, что сейчас делает мышь — бежит или отдыхает. Исследование опубликовано в журнале PLOS Computational Biology. Команда использовала два разных алгоритма глубокого обучения, один для пространственных, другой — для временных паттернов. Они обучили модели на данных всей коры головного мозга мышей, отдыхающих или бегающих. Специалисты сообщили, что нейросеть с точностью 95% предсказывает поведение животного. При этом нет необходимости сканировать какую-то специальную область коры и устранять шум из неразмеченных данных.
ИИ-модель сделала точные прогнозы за 0,17 секунды, а это означает, что она может практически приблизиться к реальному времени. Модель проверили на пяти разных особях: нейросеть смогла отфильтровывать индивидуальные характеристики без потери точности и скорости. Затем нейробиологи стали экспериментировать с входными данными. На самом деле, чем данных на входе меньше, тем реакция нейросети быстрее. Учёные определили, какие данные на визуализации в основном отвечают за прогноз, удалив часть входных данных и наблюдая за работой модели в этом состоянии. Чем хуже становился прогноз, тем важнее были данные. Команда разработала обобщённую методику определения поведения животных на основе данных функциональной визуализации всей коры головного мозга и создала методику определения того, на каких данных основаны прогнозы.
