神經(jīng)網(wǎng)絡激活與人類視覺皮層的γ帶活動一致

愛沙尼亞塔爾圖大學計算神經(jīng)科學實驗室的研究人員發(fā)現(xiàn)，深度卷積神經(jīng)網(wǎng)絡的激活與人類視覺皮層的伽瑪帶活動一致。他們的研究發(fā)表在“ 通信生物學”雜志上，進一步強調了人工智能(AI)擴大對人類大腦理解的潛力。

人類在視覺上識別物體的能力是由沿腹側流的復雜特征表示的層次結構調節(jié)的。過去的研究發(fā)現(xiàn)，這些類似于在圖像上訓練的深度卷積神經(jīng)網(wǎng)絡(DCNN)所學習的變換層次結構。

“從以前的研究中我們知道人類視覺系統(tǒng)的層次結構與DCNN的分層結構之間存在對應關系，”Jaan Aru，Raul Vicente和Ilya Kuzovkin，三位進行該研究的研究人員告訴TechXplore 。“然而，這項研究依賴于神經(jīng)影像技術，如fMRI和MEG，每種技術都有其自身的局限性。”

MEG成像僅一次捕獲大量神經(jīng)元的平均活動，而fMRI不捕獲時間信息。因此，研究人員決定使用直接植入測試對象大腦的顱內電極來收集他們的數(shù)據(jù)集。該技術可以識別大腦活動何時發(fā)生，其解剖位置以及它如何隨時間變化。

“這使我們能夠更詳細地探索控制人類大腦視覺處理的活動，并更準確地描述哪種活動與DCNN的活動有相似之處，”研究人員說。

DCNN是一種用于計算機視覺的機器學習算法，其在對象識別任務上表現(xiàn)尤其出色。它們的關鍵特征是它們獲取自動分類對象的規(guī)則，而無需人工工程師概述它們。

在訓練期間，DCNN在數(shù)千個物體圖像(例如貓，樹，汽車等)上進行訓練，學習區(qū)分每個類別的視覺特征。然后，算法可以正確識別之前從未遇到的圖像中的對象，準確率高達95%。

“DCNN由人工神經(jīng)元層組成，每層對圖像執(zhí)行某些操作，然后將信息發(fā)送到下一層，”研究人員說。“在訓練期間，算法形成關于將什么信息發(fā)送到上層以及何時發(fā)送的規(guī)則。”

最近的研究調查了DCNN學到的確切模式和特征。他們發(fā)現(xiàn)，當人們更深入地潛入其層時，其神經(jīng)元所代表的視覺模式變得越來越復雜。

“第一層負責檢測直線，亮度變化和其他簡單的視覺特征，”研究人員解釋說。“這些信息被傳遞到第二層，它結合了簡單的特征來構建可以識別簡單形狀的探測器。因此它逐步發(fā)展，每層變得越來越抽象，高層神經(jīng)元代表整個物體，如貓，我們知道在人類視覺皮層中觀察到一種非常相似的現(xiàn)象，所以顯而易見的問題是：這兩種系統(tǒng)有多相似，它們的相似之處是什么?

在測量大腦的電響應時，研究人員觀察到復雜的活動模式。這些模式根據(jù)其頻率分組：alpha(每秒8到14次)，beta(15到30 Hz)，gamma(從30到70 Hz)，高gamma(超過70 Hz)和其他波段。已發(fā)現(xiàn)這些頻帶取決于不同類型的活動。例如，當人類放松時，α更強，而在積極參與任務期間，β和γ增加。

“我們發(fā)現(xiàn)低γ(30到70 Hz)和高γ(70到150 Hz)的活動最好與DCNN中發(fā)生的活動一致，這表明大腦中那些頻率發(fā)生的事情與DCNN最相似正在做，“研究人員說。

這些發(fā)現(xiàn)與之前的研究結果一致，突出了伽瑪活動對物體識別的重要性。在將來，它們可以幫助更好地理解在視覺處理期間由伽馬頻率信號反射的精確計算。

“對神經(jīng)科學的最終探索是了解大腦如何編碼，存儲和傳輸信息以及數(shù)十億神經(jīng)元的發(fā)射如何導致復雜的心理過程，例如理解文本或將其傳達給朋友，”研究人員說。“這項工作提供了這個巨大難題的另一部分，并強調了AI算法在理解人類大腦中可以發(fā)揮的重要作用。”

塔爾圖大學的計算神經(jīng)科學實驗室并排研究生物學和人工學習系統(tǒng)，因為比較它們可能會帶來迷人的生物學發(fā)現(xiàn)。研究人員正在開展另外兩個項目，這些項目將成為庫佐夫金博士論文的核心。

“在其中一個項目中，我們將研究一種算法的內部運作，我們訓練這些算法來理解人類大腦數(shù)據(jù);探索它認為對最終任務有用的大腦活動以及它丟棄的大腦活動。這將提供一種工具，可以進行大量活動并過濾掉與特定心理任務相關的部分。“