هوش مصنوعی نوسانات مغز را برای حافظه و بیماری ها آشکار می کند _اخبار روانشناسی جزیره ذهن

خلاصه: یک مطالعه اخیر جهش قابل توجهی را در مطالعه نوسانات مغز، به ویژه امواج، که برای سازماندهی حافظه بسیار مهم هستند و در اختلالاتی مانند صرع و آلزایمر تحت تاثیر قرار می گیرند، نشان می دهد. محققان جعبه ابزاری از مدل‌های هوش مصنوعی آموزش‌دیده‌شده بر روی داده‌های EEG جوندگان را برای خودکارسازی و افزایش تشخیص این نوسانات ایجاد کرده‌اند که کارایی آن‌ها را بر روی داده‌های پستانداران غیر انسانی ثابت می‌کند.

این پیشرفت، که از یک هکاتون مشترک سرچشمه می‌گیرد، بیش از صد مدل یادگیری ماشینی بهینه‌سازی شده، از جمله ماشین‌های بردار پشتیبان و شبکه‌های عصبی کانولوشنال را به صورت رایگان در اختیار جامعه علمی قرار می‌دهد. این پیشرفت راه های جدیدی را در کاربردهای نوروتکنولوژی، به ویژه در تشخیص و درک اختلالات عصبی باز می کند.

حقایق کلیدی:

  1. نوآوری مبتنی بر هوش مصنوعی: این مطالعه جعبه ابزاری از مدل‌های هوش مصنوعی را معرفی می‌کند که قادر به تشخیص امواج مغزی، کلیدی در سازمان‌دهی حافظه و بیماری‌های عصبی هستند.
  2. کاربرد بین گونه ای: این مدل‌ها که در ابتدا بر روی داده‌های جوندگان آموزش داده شدند، با موفقیت بر روی داده‌های EEG پستانداران غیرانسانی آزمایش شده‌اند که نشان‌دهنده پتانسیل کاربرد انسانی است.
  3. مشارکت منبع باز: بیش از صد مدل یادگیری ماشین از این پروژه اکنون برای استفاده تحقیقاتی و توسعه بیشتر در دسترس است و روحیه مشارکتی جامعه علمی را نشان می‌دهد.

منبع: CSIC

مطالعه نوسانات مغز درک ما از عملکرد مغز را ارتقا داده است. موج ها نوعی نوسانات سریع هستند که زیربنای سازماندهی خاطرات هستند. آنها در اختلالات عصبی مانند صرع و آلزایمر تحت تأثیر قرار می گیرند.

به همین دلیل، آنها یک بیومارکر الکتروانسفالوگرافی (EEG) در نظر گرفته می شوند. با این حال، موج‌ها شکل‌ها و ویژگی‌های مختلفی از خود نشان می‌دهند که می‌توانند با روش‌های طیفی استاندارد از دست داده شوند.

این یک مغز را نشان می دهد.
جعبه ابزار مدل در نتیجه یک هکاتون ظاهر شد که منجر به فهرست کوتاهی برای بهترین مدل‌های تشخیص شد. اعتبار: اخبار علوم اعصاب

اخیراً، جامعه علوم اعصاب خواستار نیاز به خودکارسازی، هماهنگ‌سازی و بهبود تشخیص امواج در طیف وسیعی از وظایف و گونه‌ها شد. در این مطالعه، نویسندگان از ضبط‌های به‌دست‌آمده در موش‌های آزمایشگاهی برای آموزش جعبه ابزار مدل‌های یادگیری ماشین استفاده کردند.

ما توانایی این مدل‌ها را با استفاده از داده‌های نخستی‌های غیر انسانی که در دانشگاه واندربیلت (نشویل، ایالات متحده آمریکا) توسط سامان عباسپور و رهبر آزمایشگاه کاری هافمن به عنوان بخشی از ابتکار مغز جمع‌آوری شده بود، آزمایش کرده‌ایم.

د لا پریدا توضیح می‌دهد: «ما دریافتیم که می‌توان از داده‌های EEG جوندگان برای آموزش الگوریتم‌های هوش مصنوعی استفاده کرد که می‌توانند روی داده‌های پستانداران و احتمالاً انسان اعمال شوند، مشروط بر اینکه از تکنیک‌های ضبط یکسانی استفاده شود.»

جعبه ابزار مدل در نتیجه یک هکاتون ظاهر شد که منجر به فهرست کوتاهی برای بهترین مدل‌های تشخیص شد. سپس این معماری‌ها توسط نویسندگانی که اکنون همه کدها و داده‌ها را آشکارا در اختیار جامعه پژوهشی قرار می‌دهند، هماهنگ و بهینه‌سازی شدند.

مدل‌ها شامل برخی از شناخته‌شده‌ترین معماری‌های یادگیری تحت نظارت، مانند ماشین‌های بردار پشتیبان، درخت‌های تصمیم‌گیری و شبکه‌های عصبی کانولوشن هستند.

آندریا ناواس اولیو و آدریان روبیو که اولین نویسندگان این اثر هستند، اظهار داشتند: «ما بیش از صد مدل ممکن را از معماری‌های مختلف شناسایی کرده‌ایم که اکنون برای کاربرد یا بازآموزی توسط محققان دیگر در دسترس هستند.»

د لا پریدا، که بخشی از این پژوهش است، می‌گوید: «این بانک از مدل‌های هوش مصنوعی کاربردهای جدیدی در زمینه فناوری‌های عصبی ارائه می‌کند و می‌تواند برای تشخیص و تجزیه و تحلیل نوسانات با فرکانس بالا در آسیب‌شناسی‌هایی مانند صرع، که نشانگرهای بالینی در نظر گرفته می‌شوند، مفید باشد». اتصال AI-HUB CSIC با هدف پیشرفت استفاده از هوش مصنوعی و برنامه های کاربردی آن است.

درباره این اخبار تحقیقاتی هوش مصنوعی و علوم اعصاب

نویسنده: ماریا گونزالس
منبع: CSIC
مخاطب: ماریا گونزالس – CSIC
تصویر: این تصویر به Neuroscience News اعتبار داده شده است

تحقیق اصلی: دسترسی آزاد.
جعبه ابزار یادگیری ماشین برای تجزیه و تحلیل امواج تیز موج ویژگی های شکل موج مشترک را در بین گونه ها نشان می دهد” توسط کاری هافمن و همکاران. زیست شناسی ارتباطات


خلاصه

جعبه ابزار یادگیری ماشین برای تجزیه و تحلیل امواج تیز موج ویژگی های شکل موج مشترک را در بین گونه ها نشان می دهد

مطالعه امواج تند، درک ما از عملکرد حافظه را ارتقا داده است و تغییر آنها در شرایط عصبی مانند صرع به عنوان یک نشانگر زیستی اختلال در نظر گرفته می شود.

موج‌های موج تیز شکل‌ها و ویژگی‌های متنوعی از خود نشان می‌دهند که نمی‌توان آن‌ها را به‌تنهایی با روش‌های طیفی به طور کامل مشخص کرد.

در اینجا، جعبه ابزاری از مدل‌های یادگیری ماشینی را برای تشخیص و تجزیه و تحلیل خودکار این رویدادها توصیف می‌کنیم.

معماری‌های یادگیری ماشینی، که از یک هکاتون جمع‌سپاری شده ناشی می‌شوند، می‌توانند تعداد زیادی از ویژگی‌های موجی ثبت‌شده در هیپوکامپ پشتی موش‌ها را در شرایط بیداری و خواب ثبت کنند. وقتی این مدل‌ها روی داده‌های هیپوکامپ ماکاک اعمال می‌شوند، می‌توانند تشخیص را تعمیم دهند و ویژگی‌های مشترک بین گونه‌ها را آشکار کنند.

ما بدین وسیله یک جعبه ابزار متن باز کاربر پسند برای استفاده و توسعه مدل ارائه می کنیم که می تواند به تسریع و استانداردسازی تجزیه و تحلیل امواج تیز موج کمک کند و آستانه پذیرش آن در کاربردهای زیست پزشکی را کاهش دهد.

https://neurosciencenews.com/ai-brain-oscillations-memory-25709/

ممکنه براتون جالب باشه که...

پست های محبوب

دیدگاهتان را بنویسید