神經(jīng)網(wǎng)絡(luò)激活與人類視覺皮層的γ帶活動(dòng)一致

愛沙尼亞塔爾圖大學(xué)計(jì)算神經(jīng)科學(xué)實(shí)驗(yàn)室的研究人員發(fā)現(xiàn)，深度卷積神經(jīng)網(wǎng)絡(luò)的激活與人類視覺皮層的伽瑪帶活動(dòng)一致。他們的研究發(fā)表在“ 通信生物學(xué)”雜志上，進(jìn)一步強(qiáng)調(diào)了人工智能(AI)擴(kuò)大對(duì)人類大腦理解的潛力。

人類在視覺上識(shí)別物體的能力是由沿腹側(cè)流的復(fù)雜特征表示的層次結(jié)構(gòu)調(diào)節(jié)的。過去的研究發(fā)現(xiàn)，這些類似于在圖像上訓(xùn)練的深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)所學(xué)習(xí)的變換層次結(jié)構(gòu)。

“從以前的研究中我們知道人類視覺系統(tǒng)的層次結(jié)構(gòu)與DCNN的分層結(jié)構(gòu)之間存在對(duì)應(yīng)關(guān)系，”Jaan Aru，Raul Vicente和Ilya Kuzovkin，三位進(jìn)行該研究的研究人員告訴TechXplore 。“然而，這項(xiàng)研究依賴于神經(jīng)影像技術(shù)，如fMRI和MEG，每種技術(shù)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(dòng)，而fMRI不捕獲時(shí)間信息。因此，研究人員決定使用直接植入測(cè)試對(duì)象大腦的顱內(nèi)電極來收集他們的數(shù)據(jù)集。該技術(shù)可以識(shí)別大腦活動(dòng)何時(shí)發(fā)生，其解剖位置以及它如何隨時(shí)間變化。

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

DCNN是一種用于計(jì)算機(jī)視覺的機(jī)器學(xué)習(xí)算法，其在對(duì)象識(shí)別任務(wù)上表現(xiàn)尤其出色。它們的關(guān)鍵特征是它們獲取自動(dòng)分類對(duì)象的規(guī)則，而無需人工工程師概述它們。

在訓(xùn)練期間，DCNN在數(shù)千個(gè)物體圖像(例如貓，樹，汽車等)上進(jìn)行訓(xùn)練，學(xué)習(xí)區(qū)分每個(gè)類別的視覺特征。然后，算法可以正確識(shí)別之前從未遇到的圖像中的對(duì)象，準(zhǔn)確率高達(dá)95%。

“DCNN由人工神經(jīng)元層組成，每層對(duì)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(xùn)練期間，算法形成關(guān)于將什么信息發(fā)送到上層以及何時(shí)發(fā)送的規(guī)則。”

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

“第一層負(fù)責(zé)檢測(cè)直線，亮度變化和其他簡(jiǎn)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(jié)合了簡(jiǎn)單的特征來構(gòu)建可以識(shí)別簡(jiǎn)單形狀的探測(cè)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(gè)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(cè)量大腦的電響應(yīng)時(shí)，研究人員觀察到復(fù)雜的活動(dòng)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(dòng)。例如，當(dāng)人類放松時(shí)，α更強(qiáng)，而在積極參與任務(wù)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(dòng)最好與DCNN中發(fā)生的活動(dòng)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(jié)果一致，突出了伽瑪活動(dòng)對(duì)物體識(shí)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(hào)反射的精確計(jì)算。

“對(duì)神經(jīng)科學(xué)的最終探索是了解大腦如何編碼，存儲(chǔ)和傳輸信息以及數(shù)十億神經(jīng)元的發(fā)射如何導(dǎo)致復(fù)雜的心理過程，例如理解文本或?qū)⑵鋫鬟_(dá)給朋友，”研究人員說。“這項(xiàng)工作提供了這個(gè)巨大難題的另一部分，并強(qiáng)調(diào)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(xué)的計(jì)算神經(jīng)科學(xué)實(shí)驗(yàn)室并排研究生物學(xué)和人工學(xué)習(xí)系統(tǒng)，因?yàn)楸容^它們可能會(huì)帶來迷人的生物學(xué)發(fā)現(xiàn)。研究人員正在開展另外兩個(gè)項(xiàng)目，這些項(xiàng)目將成為庫(kù)佐夫金博士論文的核心。

“在其中一個(gè)項(xiàng)目中，我們將研究一種算法的內(nèi)部運(yùn)作，我們訓(xùn)練這些算法來理解人類大腦數(shù)據(jù);探索它認(rèn)為對(duì)最終任務(wù)有用的大腦活動(dòng)以及它丟棄的大腦活動(dòng)。這將提供一種工具，可以進(jìn)行大量活動(dòng)并過濾掉與特定心理任務(wù)相關(guān)的部分。“