신경 디코딩

신경 복호화는 ^[1]뉴런의 네트워크에 의해 이미 뇌에 암호화되고 표현된 정보로부터 감각과 다른 자극의 가상적인 재구성과 관련된 신경 과학 분야이다.재구성은 순수하게 뉴런 활동 전위를 바탕으로 피험자가 어떤 감각 자극을 받고 있는지를 예측하는 연구자의 능력을 말한다.그러므로, 신경 해독의 주요 목표는 뉴런의 전기적 활동이 어떻게 ^[2]뇌의 활동과 반응을 이끌어내는지를 특징짓는 것이다.

이 기사는 특히 포유류의 신피질에 관련된 신경 복호화에 대해 언급하고 있다.

개요

사진을 볼 때, 사람들의 뇌는 그들이 어떤 물체를 보고 있는지, 다음에 눈을 어디로 움직여야 하는지, 그리고 입력 자극의 가장 중요한 측면으로 무엇을 발견했는지에 대해 끊임없이 결정을 내린다.이 이미지들이 망막의 뒤쪽에 닿으면서, 이러한 자극들은 다양한 파장에서 활동 전위라고 불리는 일련의 신경 스파이크로 변환됩니다.이러한 활동 전위의 패턴은 다른 물체와 색상에 따라 다르다. 그러므로 우리는 뉴런이 그들의 스파이크 속도나 시간 패턴을 변화시킴으로써 물체와 색을 부호화한다고 말한다.만약 누군가가 1차 시각피질에 전극을 넣어 뇌를 조사한다면, 그들은 무작위 전기활동으로 보이는 것을 발견할 수 있을 것입니다.이 뉴런들은 시각 입력의 낮은 레벨의 특징에 반응하여 실제로 반응하고 있습니다. 아마도 사진 프레임의 가장자리일 것입니다.이것은 신경 해독 가설의 핵심을 강조한다: 그것을 나타내는 뉴런 집합의 반응으로부터 자극을 재구성하는 것이 가능하다는 것이다.즉, 스파이크 열차 데이터를 보고 기록 중인 사람이나 동물이 빨간색 공을 보고 있다고 말할 수 있습니다.

최근 대규모 신경기록 및 해독 기술이 발전하면서 연구자들은 신경코드를 해독하기 시작했고 기억 ^[3][4]형성의 중심인 뇌 영역인 해마에서 기억이 형성되고 기억흔적의 실시간 신경코드를 처음으로 알아봤다.신경과학자들은 뇌 전체의 신경 코드를 만들기 위해 대규모 뇌 활동 지도 제작 또는 뇌 해독^[5] 프로젝트를 시작했습니다.

인코딩에서 디코딩으로

해독 가설에 대한 암묵적인 가설은 뇌의 신경 스파이킹이 어떻게든 외부 세계의 자극을 나타낸다는 가정이다.신경 데이터를 해독하는 것은 뉴런이 무작위로 발사된다면 불가능할 것입니다. 아무것도 나타나지 않을 것입니다.신경 데이터를 해독하는 이 과정은 신경 부호화와 루프를 형성합니다.첫째, 유기체는 세상의 일련의 자극을 인지할 수 있어야 한다 – 예를 들어 모자의 그림.자극을 보는 것은 반드시 내부 학습으로 이어져야 한다: 부호화 단계.관찰자에게 나타나는 자극의 범위를 변화시킨 후, 우리는 뉴런이 신호의 통계적 특성에 적응하여 가장 빈번하게 ^[6]발생하는 것, 즉 효율적인 코드화 가설에 대해 부호화할 것으로 예상한다.신경 복호화는 통계적 일관성을 가지고 세계의 통계적 모델을 사용하여 자극을 재현하는 과정입니다.이것은 사고와 행동의 과정과 연관될 수 있으며, 이는 우리가 받는 자극이 무엇인지 안내하고, 따라서 고리를 완성시킵니다.

신경 스파이크 데이터의 모델을 구축하기 위해서는 정보가 원래 어떻게 뇌에 저장되는지, 그리고 이 정보가 나중에 어떻게 사용되는지 모두 이해해야 한다.이 신경 부호화와 해독 루프는 공생 관계이며 뇌 학습 알고리즘의 핵심이다.게다가 신경 복호화와 부호화의 기초가 되는 프로세스는 매우 밀접하게 결합되어 있으며, 다양한 수준의 대표 ^[7][8]능력으로 이어질 수 있다.

공간 해상도

신경 복호화 문제의 대부분은 수집되는 데이터의 공간 분해능에 의존합니다.적당한 정확도로 자극을 재구성하는 데 필요한 뉴런의 수는 데이터를 수집하는 방법과 기록되는 영역에 따라 달라집니다.예를 들어, 망막의 막대 및 원추체(작은 시각 영역의 색에 반응하는)는 일차 시각 피질에서 단순한 세포(줄의 방향에 반응하는)보다 더 많은 기록을 필요로 할 수 있다.

이전의 기록 방법은 이 뉴런의 ^[9]행동을 일반화시키기 위해 반복적인 일련의 테스트에 걸쳐 단일 뉴런을 자극하는 데 의존했다.고밀도 다전극 어레이 기록 및 다광자 칼슘 이미징 기술과 같은 새로운 기술을 통해 수백 개 이상의 뉴런을 기록할 수 있게 되었습니다.더 나은 기록 기술을 사용하더라도, 이러한 기록의 초점은 관리하기 쉽고 질적으로 이해되는 뇌의 영역에 맞춰져야 합니다.많은 연구는 망막의 신경절 세포에서 수집된 스파이크 열차 데이터를 살펴봅니다. 왜냐하면 이 영역은 엄격히 피드포워드(feedforward), 망막망막망막망막망막망막망막망막망막망막망막망막망막망막망막망막망막망막망막망막망막망막망막망막망막자극의 지속 시간, 강도 및 위치는 예를 들어 시각 시스템의 ^[10]구조 내에서 신경절 세포의 특정 부분 집합을 표본으로 추출하기 위해 제어될 수 있다.다른 연구들은 스파이크 트레인을 이용하여 쥐 수염과^[11] 나방 페로몬 수용체 ^[12]뉴런의 후각 코딩과 같은 비시각적 감각의 차별적 능력을 평가한다.

계속 발전하는 기록 기술에도 불구하고, 사람들은 항상 제한된 샘플링 문제에 직면할 것입니다: 제한된 수의 기록 시험으로, 확률적으로 기능하는 뉴런에서 얻은 잡음 데이터와 관련된 오류를 완전히 설명하는 것은 불가능합니다. (예를 들어, 뉴런의 전위는 그것의 휴식 p 주변에서 변동합니다.)나트륨 및 칼륨 이온의 지속적인 유입 및 유출로 인해 이비인후성).따라서 스파이크 데이터에서 자극을 완벽하게 재구성하는 것은 불가능하다.다행히 노이즈가 많은 데이터에서도 허용 오차 ^[13]범위 내에서 자극을 재구성할 수 있다.

시간 분해능

관찰자에게 제시되는 자극의 시간표와 빈도 또한 신경 코드를 해독하는 데 중요하다.더 빠른 타임스케일과 더 높은 주파수로 인해 신경 스파이크 데이터에서 더 빠르고 정확한 응답이 요구됩니다.인간의 경우, 시각 피질,^[14] 망막, 그리고 외측 유전체 핵 전체에 걸쳐 밀리초의 정밀도가 관찰되어 왔기 때문에, 사람들은 이것이 적절한 측정 빈도라고 의심할 것이다.이는 백색 소음과 자연주의 영화 ^[15]자극에 대한 측방 유전핵의 뉴런 반응을 정량화하는 연구에서 확인되었다.세포 수준에서 스파이크 타이밍 의존적 가소성은 밀리초 단위로 ^[16]작동한다. 따라서 생물학적 관련성을 추구하는 모델은 이러한 시간적 척도로 수행될 수 있어야 한다.

확률론적 복호화

신경 데이터를 디코딩할 때, 각 ${\displaystyle {스파이크\mathrm{}}_{}}$ ${\displaystyle t1{}_{}{}_{}}$ ${\displaystyle {t2\mathrm{}}_{},}$ ${\displaystyle .,}$ ${\displaystyle t_{}}$ $=$ { ${\displaystyle {ti}_{}}$} { $displaystyle t_{$1}, ${\text{}} t_{2},$ {\$text{}}{\text${}}}}, {\text{}}}, {\$text{n}}}},$ {\$text{}}}}}},$ {\text{}}}}}}, {\}}}}, {\}}}}}}}}, {\${\displaystyle t\_n}$$\}\}\}\}\}\}\}\}\}\}\}\},$ {\그는 데이터를 이용할 수 있다.이전 $분포{\displaystyle }$P [${\displaystyle s}$ (${\displaystyle }$t${\displaystyle }$) \$displaystyle$P [$s$ ( $t$) ]는$$ 신호의 앙상블을 정의하며, 이전 경험에 기초하여 세계에서 자극을 볼 가능성을 나타냅니다.스파이크 시간은 $분포{\displaystyle }$P${\displaystyle }$[ { ${\displaystyle {}_{}}$ ${\displaystyle i_{}}$ ${\displaystyle \}}$ {$displaystyle$ P [ \ { $t$_ { $i$} $\}$ 에서도 얻을 수 있습니다.그러나 우리가 알고 싶은 것은 일련의 $스파이크열{\displaystyle }$P [ ${\displaystyle s}$(${\displaystyle t}$) { ${\displaystyle t_{}}$ i ${\displaystyle \}}${ $displaystyle$ P$[ t$ ( t ) \ { $t$_ { { t $}$}, 즉,남은 것은 자극을 스파이크로 변환하여 신경 코드의 특성화${\displaystyle ,}$ $P{\displaystyle }$[ { ${\displaystyle t_{}}$ i $s$ (${\displaystyle t}$ )$]$ { $displaystyle$P [ \ { t$$_ { i } \ } s ( t )$\}$ ; 이 확률 분포를 계산하는 전통적인 접근법은 자극을 고정하고 뉴런의 반응을 조사하는 것이었다.Bayes의 법칙을 사용하여 모든 것을 결합하면 신경 복호화의 확률론적 특성이 단순해진다: ${\displaystyle P}$[ s${\displaystyle }$(${\displaystyle }$t )${\displaystyle }${ ${\displaystyle t}$ ${\displaystyle {}_{}}$ ${\displaystyle \}{}_{}]}$ ${\displaystyle =P}$ [${\displaystyle s}$(${\displaystyle }$t )${\displaystyle s}$ ( ${\displaystyle t}$ )${\displaystyle ]}$ /${\displaystyle }$P${\displaystyle }$[ { ${\displaystyle {}_{}}$ ${\displaystyle i_{}{}_{}}$ ) { $displaystyle$ P$[s ($ t ) \ { $t$ { t ${\displaystyle {\_}_{}}$ { t i $=$ } } }$P[\{t_{i}\} s(t)]*(P[s(t)]/P[\{t_{i$ 능동적 연구 영역은 P${\displaystyle [\{ti}$ ${\displaystyle {}_{}}$ ${\displaystyle s(}$t$)]$ {$displaystyle$ P$[\{t_i} s$)\} s$($t$\})\}\}\}\}\}\}\}\}\}\}\}\})$^[17]를 보다 잘 표현하고 $결정$하는 것으로 구성되어 있다.다음은 그러한 몇 가지 예입니다.

스파이크 열차 번호

가장 간단한 코딩 전략은 스파이크 열차 번호 코딩입니다.이 방법은 스파이크 수가 스파이크 열차 데이터의 가장 중요한 수량이라고 가정합니다.스파이크 열차 번호 부호화에서, 각 자극은 샘플링된 뉴런에 걸쳐 고유한 발화 속도로 표현됩니다.빨간색은 전체 뉴런 세트에 걸쳐 총 5개의 스파이크로 나타낼 수 있는 반면, 녹색은 10개의 스파이크일 수 있습니다. 각 스파이크는 전체 카운트로 합쳐집니다.이는 다음과 같이 나타납니다.

${\displaystyle P(r s)=\display_{}P(n_{ij}s)}$

$여기$서 r ${\displaystyle =}$ ${\displaystyle n}$ $=$ n({$displaystyle$ r$=n$=) $스파이크{\displaystyle {}_{}}$ 수, $ni$j({$displaystyle$$n_$${$ij$$})는 자극 프레젠테이션 $시간{\displaystyle }$ j$({displaystyle$j$\})$에서의 $뉴런{\displaystyle }$ 스파이크 수$,$ s는 자극이다.

순간요금코드

작은 시간 구성요소를 추가하면 스파이크 타이밍 코딩 전략이 발생합니다.여기서 측정되는 주요 수량은 미리 정의된 시간 T 내에서 발생하는 스파이크 수입니다.이 메서드는 앞의 차원에 다른 차원을 추가합니다.이 타이밍 코드는 다음과 같습니다.

P(/Sr.)=2 우리는 hr를 색인화한다.

$여기$서 ${\displaystyle {\mathrm{ti}}_{}}$ j $({$t_${ijl$})은$$ 뉴런 i의 첫 번째 프레젠테이션의 j번째 $스파이크$이며, ${\displaystyle {vi}_{}t}$ s$)$ {$displaystyle v_{i}(t$ s$)}$는 시간 t에서의 뉴런 i의 발사 속도이며, 0에서 T는 각 시행의 중지 시간 시작 시간입니다.

시간 상관

이름에서 알 수 있듯이 시간 상관 코드는 개별 스파이크 간의 상관 관계를 추가합니다.즉, $스파이크{\displaystyle {}_{}}$ $($ 스타일 $t_{i$})와$$ 그 앞의 $스파이크{\displaystyle {}_{}}$ ${\displaystyle {ti}_{}}$- $($ 스타일 $t_{i-1})$ 사이의$$ 시간이 포함됩니다.이는 다음과 같습니다.

$\displaystyle P(r s)=\display_{l}\left[\display_{i,j}v_{i}(t_{ijl})s)dt\right]exp\left[-\sum _{i}\int _{0}^{T}dtv_{i}(t,\tau(t)s)\right]}$

여기서${\displaystyle }\theta {\displaystyle }$ (${\displaystyle t}$) \ $displaystyle \$ display ( t$)$는 뉴런$$ 스파이크와 그 앞의 뉴런 스파이크 사이의 시간 간격입니다.

Ising 디코더

신경 스파이크 열차 데이터에 대한 또 다른 설명은 자기 스핀의 물리학에서 차용한 이징 모델을 사용합니다.신경 스파이크 트레인은 작은 시간 척도 (10 ~ 20 ms)에서 효과적으로 2진화 (on 또는 off)되기 때문에, 이징 모델은 효과적으로 현재의 쌍별 ^[18]상관관계를 포착할 수 있으며, 다음과 같이 제공됩니다.

${\displaystyle P(r s)=paramfrac {1}{\mathrm {Z}(s)}exp\left(\sum _ {i}h_{i}(s)r_{i}+{\sum _ {i}{1}{2}}J_{ij}{i\neq}(s)\sum _{ij}{ij}\neq}{i}{ij}\}\right}$

$여기$서 r ${\displaystyle =}$ ( ${\displaystyle {r\mathrm{}}_{}}$1, ${\displaystyle {}_{}{2\mathrm{}}_{}}$,${\displaystyle }$. , ${\displaystyle r_{}{}^{}}$n ) ${\displaystyle T^{}}${ { { $displaystyle$ r = ( r$_$ {1$}$ , r$_$ {2$}$ , , $r$_ { $n$} ^{$T}}$은 뉴런 i의 바이너리 응답 ${\displaystyle {집합}_{}}$이며$,$ h {\$displaystyle h_{$i$$}}는 외부 ${\displaystyle {필드}_{}}$ $함수{\displaystyle {}_{}}$, $j$(\$displaystyle J_{$ij$$})는 쌍방향 커플링 함수,$(\displaystyle \mathrm {Z}(s)$는 파티션 함수입니다.

에이전트 기반 디코딩

확률론적 접근법 외에도 정밀 조사 중인 신경계의 공간 역학을 포착하는 에이전트 기반 모델이 존재한다.그러한 모델 중 하나는 계층적 시간 기억으로, 이는 시각적 지각 문제를 상호작용 노드(뉴런)의 계층으로 구성하는 기계 학습 프레임워크이다.동일한 레벨과 낮은 레벨의 노드 간의 연결을 시냅스라고 하며, 그 상호 작용은 그 후에 학습된다.시냅스 강도는 학습을 변조하고 입력 ^[19][20]패턴에 따라 노드의 시간적 및 공간적 발사에 따라 변화한다.

이러한 모델링된 뉴런의 발화 속도를 취해 위에서 설명한 확률론적, 수학적 프레임워크로 변환하는 것이 가능하지만, 에이전트 기반 모델은 모델링된 뉴런의 전체 집단의 행동을 관찰할 수 있는 능력을 제공한다.연구자는 연구실 기반 기록 기법으로 내재된 한계를 회피할 수 있습니다.이 접근방식은 생물학적 시스템의 모델링에 의존하기 때문에, 연구자에 의한 가정과 매개변수 추정에 사용된 데이터에서 오류가 발생한다.

적용 가능성

신경 해독에 대한 이해의 발전은 뇌-기계 인터페이스, 보철물^[21] 및 ^[22]간질과 같은 신경 장애에 대한 이해에 도움이 된다. 뇌전증

「 」를 참조해 주세요.

• 두뇌 읽기
• 터지다
• 상관 부호화
• 할머니 세포
• 독립 스파이크 부호화
• 멀티 전극 어레이
• 신경계 네트워크 모델
• 신경 부호화
• 신경 동기
• 신경전기역학
• 패치 클램프
• 발화 단계 코드
• 모집단 부호화
• 레이트 코딩
• 스파스 부호화
• 시간 부호화

레퍼런스