Voljno stvaranje reproducibilnih, učinkovitih vremenskih obrazaca

Sažetak:Jedna od izvanrednih karakteristika biološkog mozga je niska potrošnja energije koja mu je potrebna za provedbu različitih bioloških funkcija i inteligencije u usporedbi s modernom umjetnom inteligencijom (AI). Energetski učinkoviti temporalni kodovi koji se temelje na šiljcima dugo se sugeriraju kao oni koji pridonose radu mozga s malom potrošnjom energije. Unatoč tome što je ovaj kod većinom zabilježen u osjetilnom korteksu, ostaje neriješeno može li se ovaj kod implementirati u druga područja mozga kako bi služio širim funkcijama i kako se razvija tijekom učenja. U ovoj studiji dizajnirali smo novu paradigmu sučelja mozak-stroj (BMI). Dva makakija mogu voljno generirati ponovljivenergetski učinkoviti vremenski obrasciu primarnom motornom korteksu (M1) učenjem BMI paradigme. Štoviše, većina neurona kojima nije izravno dodijeljena kontrola BMI-a nije povećala svoju ekscitabilnost, a pokazali su sveukupno energetski učinkovit način u obavljanju zadatka. Tijekom učenja otkrili smo da su brzine aktiviranja i vremenska preciznost odabranih neurona zajedno evoluirali kako bi generiralienergetski učinkoviti vremenski obrasci, sugerirajući da je kohezivna, a ne rastavljajuća obrada u osnovi profinjenosti energetski učinkovitih vremenskih obrazaca.

Ključne riječi:precizni vremenski obrasci;energetski učinkovit kod;sučelja mozak-stroj; primarni motorni korteks

KLIKNITE OVDJE DA ZNATE CISTANCHE ZA MOŽDANU ENERGIJU

1. Uvod

Iako ljudski mozak aktivno crpi 20 posto tjelesne energije, on u konačnici troši samo 20 vata energije [1,2]. Štoviše, jedna od najnovijih studija otkrila je da energija utrošena za neuronsko računanje zauzima manje od jedan posto ukupnog proračuna [3]. U usporedbi s energijom koju troši moderna umjetna inteligencija (AI) implementirana u hardver temeljen na siliciju, mozak troši iznimno malo za implementaciju biološke inteligencije. Desetljećima su znanstvenici i inženjeri pokušavali izvući uvide iz shema neuronskog kodiranja kako bi izgradili učinkovite inteligentne sustave. Vremensko kodiranje, kojim se informacije prenose i obrađuju kroz vremensku koordinaciju šiljaka, koristi diskretnu prirodu šiljaka. Vremenski kod teoretski može nositi više informacija od koda brzine [4]. Stoga je vremensko kodiranje privuklo pozornost i korišteno je u praksama umjetne inteligencije [5–7]. Međutim, implementacija vremenskih kodova ne dovodi nužno do oskudnosti ili niskog proračuna energije na globalnoj razini u biološkim mozgovima (Slika 1A). Prema [8], učinkovitost koda je definirana kao omjer kapaciteta reprezentacije i utrošene energije, koji je karakteriziran brojem uključenih akcijskih potencijala. Jedna nedavna studija pokazala je da je stvaranje preciznih vremenskih obrazaca popraćeno povišenom ekscitacijom [9]. U ovom slučaju, iako su precizni vremenski obrasci bili robusno generirani, nisu se smatrali učinkovitima, zbog rastućeg metaboličkog troška izazvanog skokovima viška. Stoga je vrlo potrebno dublje razumijevanje načina na koji se generiraju učinkoviti vremenski obrasci i neuralne razlike u osnovi stvaranja učinkovitih i neučinkovitih obrazaca. Ovo dublje razumijevanje ključ je za izvlačenje funkcionalnih implikacija u području neuroznanosti i dizajniranje učinkovite umjetne inteligencije.

 

Slika 1. Shema preciznih vremenskih kodova. (A) Shema koja ilustrira dvije vrste preciznih vremenskih kodova. Osjenčani pravokutnici označavaju preciznu sinkronizaciju izvan fluktuacije brzine koja je sačuvana u nizovima šiljaka dva neurona. Međutim, učinkoviti precizni temporalni uzorak prikazan desno sadrži manje šiljaka nego onaj lijevo, iako je broj koincidencija šiljanja u ova dva slučaja identičan. (B) Shema načina na koji se učinkoviti kodovi proučavaju na umjetnim neuronskim mrežama eksplicitnim uključivanjem člana regulacije u funkciju troška kako bi se kaznile visoke stope aktiviranja r(t). Ovdje c(t) označava ciljne signale koje mreža predstavlja. (C) Shema eksplicitne ugradnje informacijskog kapaciteta c(t) i metaboličkog troška (brzina paljenja neurona r(t)) u dekoderu sučelja mozak-stroj za proučavanje učinkovitih kodova in vivo. NCS(t) je dekodirana varijabla definirana u ovoj studiji

 

Tijekom posljednjih desetljeća istraživači su dokumentirali učinkovite vremenske obrasce, uglavnom u kontekstu kodiranja podražaja [10,11]. Međutim, osim predstavljanja podražaja, u biološkom mozgu se izvode različita izračunavanja kako bi se dobila inteligencija, npr. radna memorija, generiranje složenih samoodrživih obrazaca i izdavanje izlaznih podataka. Unatoč tome, vrlo se malo zna o tome mogu li se učinkoviti vremenski obrasci moći reproducirati kako bi služili širem rasponu funkcija. Još jedna kontroverzna tema u vezi s učinkovitim kodom je njegova mogućnost učenja. Budući da se vremenski pomak svakog šiljka "računa", a bilo koji višak šiljaka smatrao bi se metabolički skupim prema definiciji učinkovitog koda, implementacija ovog koda u neuronsku mrežu temeljenu na šiljcima kako bi se podržalo učinkovito računanje mnogo obećava. Međutim, relativno malo studija je pokazalo da se mreže mogu osposobiti za generiranje učinkovitih obrazaca [12-14]. Jedna predložena strategija bila je eksplicitno ograničiti stope pokretanja u funkciji troška i trenirati mrežu s globalnim povratnim širenjem pogreške, što je biološki nevjerojatno (Slika 1B). Unatoč tome, nije pokazano mogu li se učinkoviti obrasci naučiti na biološki vjerojatan način, što bi moglo biti izazovno istražiti in vivo budući da se ne mogu definirati "ciljevi" za ograničavanje emisije šiljaka tijekom tradicionalnih zadataka ponašanja, što je slučaj u umjetnim neuronskim mrežama.

Kako bismo odgovorili na te izazove, iskoristili smo sučelje mozak-stroj (BMI) [15]. Osim izvanrednog uspjeha u obnavljanju motoričkih [16-20], govornih [21] i psiholoških funkcija [22], BMI je nedavno osnažio neuroznanost nudeći kauzalnost ishodima ponašanja za određene neuralne obrasce. Istraživači mogu definirati preslikavanja između neuralne aktivnosti i ishoda ponašanja, koji su nazvani "dekoderi" [23-26]. Stoga nas je BMI obdario sposobnošću da definiramo "ciljeve", naime da ograničimo emisiju šiljaka kako bismo istražili mogu li se učinkoviti vremenski obrasci reproducibilno generirati i naučiti (Slika 1C). U studiji [9] autori su pokazali da kada su dekoderi bili funkcija relativnog vremena šiljaka, a ne uobičajeno korištenih deskriptora kao što su brzine aktiviranja, za kontrolu ishoda, obrasci izazvani s vremenskom preciznošću mogu biti uzročno povezani s ponašanjem. Nadalje, poznata mapiranja u takvoj "temporalnoj neuroprostetici" omogućila su autorima da prate kako su vremenski obrasci naučeni i pročišćeni u moždanim krugovima. Međutim, ta je studija obuhvatila samo slučaj neučinkovitih vremenskih obrazaca, ostavljajući učinkovite vremenske obrasce uglavnom neistraženima. Stoga je fokus ovog rada proučavanje stvaranja i učenja učinkovitih vremenskih obrazaca u motoričkom korteksu uvođenjem novog BMI-a koji ograničava precizno vrijeme skokova kao i metaboličke troškove uzrokovane brojanjem skokova.

 

2. Materijali i metode

Svi kirurški i eksperimentalni postupci u skladu su s Vodičem za njegu i korištenje laboratorijskih životinja (Kinesko ministarstvo zdravstva) i odobreni su od strane Odbora za brigu o životinjama Sveučilišta Zhejiang u Kini. Kirurški zahvat detaljno je opisan u [27]. Ukratko, nizovi 96-kanalnih mikroelektroda (Blackrock Neurotech) kronično su implantirani u primarni motorički korteks dva mužjaka rezus majmuna (Macaca mulatta) (Majmun B11, Majmun C05). Majmunima je trebalo otprilike tjedan dana da se oporave od operacije, nakon čega su neuralni signali snimljeni kroz višekanalni sustav za prikupljanje podataka Cerebus (Blackrock Neurotech) pri brzini uzorkovanja od 30 kHz. Šiljaste aktivnosti otkrivene su određivanjem praga (korijen srednjeg kvadratnog množitelja, B11: ×5,5; C05: ×7). U prvoj sesiji učenja i nakon mrežnog ručnog sortiranja dodijelili smo dvije izolirane jedinice s najvećim omjerom signala (SNR) i stabilnošću valnog oblika na temelju snimaka iz prethodnih tjedana kao jedinicu okidača i ciljnu jedinicu. Predlošci mrežnog sortiranja za ove dvije jedinice ostali su nepromijenjeni tijekom učenja i potvrđeni izvanmrežnim sorterom (Plexon, Dallas, TX, USA, Inc.) kako bi se osiguralo da su isti neuroni snimljeni i korišteni za obuku kroz sesije. Na slici S1A prikazano je da je varijacija valnih oblika kroz sesije manja od prosječne amplitude. Budući da su te dvije odabrane jedinice bile izravno odgovorne za ishod, označene su kao "izravni neuroni". Ostatak jedinica bili su "indirektni neuroni", koji su otkriveni i razvrstani izvan mreže za naknadnu analizu u ovom članku. Broj zabilježenih "indirektnih neurona" bio je relativno stabilan tijekom dana (B11: 54,3 ± 8,5; C05: 54,3 ± 9,1). Osim toga, prostorni odnos izravnih neurona u nizu prikazan je na slici S1B.

 

2.1. Zadatak ponašanja

U ovom zadatku, šiljci jedinice okidača i ciljne jedinice u prozoru od 300 ms su u stvarnom vremenu prebačeni u prilagođene skripte u MATLAB-u (Mathworks Inc., Natick, MA, SAD) kako bi se izračunala uvjetna varijabla: normalizirani rezultat koincidencije (NCS). Prozor je klizio svakih 150 ms s preklapanjem od 150 ms. NCS je zatim vraćen subjektu slušno i vizualno, također svakih 150 ms. Subjekti bi dobili nagradu za vodu ako bi uspjeli modulirati neuralne obrasce da dovedu NCS do praga za 15 s. U suprotnom, ispitivanje bi bilo prekinuto, a ispitanici bi morali čekati još 4 s da započnu sljedeće ispitivanje (Slika 2B). NCS pragovi za dobivanje nagrade postavljeni su na 99. percentil NCS distribucije, koji su procijenjeni iz osnovnih podataka u prvoj sesiji (uzorkovano svakih 150 ms tijekom 5 minuta). Pragovi NCS-a (B11: 0,36; C05: 0,32) fiksirani su kroz sesije. U početnom razdoblju ispitanici su sjedili s ograničenim rukama. Voda je davana nasumično, ali rijetko, samo da se subjekt smiri i da im se omogući da zadrže stacionarno stanje bez velikih pokreta. U tom razdoblju nisu davani slušni ili vizualni podražaji.

 

Uvjetna varijabla NCS definirana je na sljedeći način:

gdje su M i N ukupni brojevi šiljaka iz jedinice okidača i ciljne jedinice u vremenskom prozoru od 300 ms, S(∆ji) je funkcija rezultata koja ovisi o odmaku ∆ji između vremena emisije i-tog šiljka jedinica okidača i j-ti šiljak ciljne jedinice. Točnije, funkcija rezultata poprima eksponencijalni oblik, slično kao što se sinaptička učinkovitost mijenja pod plastičnošću ovisnom o vremenu šiljka (STDP) [28], gdje okidač koji vodi metu rezultira pozitivnim rezultatom i obrnuto:

 

U našem eksperimentu, τ je postavljen na 17 ms kako bi odgovarao kritičnom prozoru promatranom u STDP eksperimentima [29]. Stoga je brojnik NCS-a služio kao nagrada ne samo za vremensku preciznost nego i za ispravan vremenski poredak. Zbog praktičnosti, ovaj smo brojnik nazvali rezultatom slučajnosti (CS). Normalizacija geometrijskom sredinom broja skokova iz dviju jedinica igrala je ulogu kažnjavanja prekomjernih skokova za ograničavanje energetskih troškova. Teoretski, vrijednost NCS-a trebala bi biti unutar raspona od -1 do 1.

 

Preslikali smo NCS u frekvenciju audio kursora, u rasponu od 1 kHz do 24 kHz u koracima od četvrt oktave. Štoviše, usvojili smo slično okruženje vizualne povratne informacije u središnjim zadacima, budući da su svi subjekti bili obučeni za središnje zadatke. NCS u [−0.5, 0.5] mapiran je na okomiti položaj plavog kruga na ekranu (Slika 2A), sa žutim krugom koji označava prag nagrade. Vizualna povratna informacija implementirana je pomoću Psychtoolboxa i povezana s glavnim programom napisanim po narudžbi.

Ispitanici su bili ograničeni u količini vode i morali su učiti zadatke uzastopne dane, a svaki dan su se održavale dvije sesije, jedna ujutro i druga poslijepodne.

 

Također smo proveli kontrolni eksperiment kako bismo istražili kako je normalizacija brzina paljenja utjecala na stvaranje učinkovitih vremenskih neuronskih obrazaca. U ovom kontrolnom eksperimentu, C05 je morao modulirati rezultat koincidencije umjesto normaliziranog rezultata koincidencije koristeći različiti par izravnih jedinica (nazvan zadatak "CS-modulacije"). Ostale konfiguracije zadatka bile su identične onima u zadatku "NCS-modulacija".

 

Slika 2. Paradigma zadataka temeljena na BMI. (A) Zadatak je izveden u zatvorenoj petlji. Neuralna aktivnost iz subjektovog M1 je automatski očitana i ekstrahirana. Sva prednja i kašnjenja između šiljaka iz okidača i ciljanih jedinica korištena su za izračunavanje NCS-a, koji je dalje vraćan preslikavanjem na frekvenciju audio kursora i okomitu poziciju vizualnog kursora. U ovom primjeru ispitivanja, NCS prag za nagradu bio je 0.32. Prag za nagradu za vodu postavljen je na temelju NCS distribucije procijenjene u prvoj sesiji. (B) Struktura zadataka jedne tipične sesije. Sesija je započela s 5-min osnovnim blokom, nakon čega se mogla procijeniti distribucija NCS-a. Jedan pokus može trajati najviše 15 s, nakon čega slijedi 4 s dug međupokusni interval (ITI). NCS je izračunat korištenjem neuralne aktivnosti u kliznom prozoru od 300 ms.

 

2.2. Analiza podataka Mjerila ponašanja.

Primijenili smo dvije metrike, stopu uspješnosti i trajanje ispitivanja, kako bismo procijenili performanse ponašanja u zadatku. Stopa uspješnosti definirana je kao omjer između broja uspješnih pokusa i ukupnog broja pokusa u jednoj sesiji. Relativno isti ukupan broj pokusa proveden je kroz sesije za svaki subjekt (B11: 105,3 ± 12,8; C05: 215 ± 20,0) i korišten je za naknadnu analizu. Broj pokusa postavljen je na količinu koju su ispitanici mogli izvesti s punim angažmanom. Druga metrika koja procjenjuje performanse ponašanja, trajanje probe, definirana je kao vrijeme od početka probe do isporuke nagrade.

Druga metrika koja procjenjuje performanse ponašanja, trajanje probe, definirana je kao vrijeme od početka probe do isporuke nagrade

 

CCH. Koristili smo unakrsni korelacijski histogram (CCH) s korekcijom podrhtavanja kako bismo prikazali vremenski odnos između okidača i ciljnih jedinica na konačnoj vremenskoj skali [30]. Nasumično smo mijenjali vrijeme emisije za svaki skok iz ciljne jedinice kako bismo prikazali surogat CCH (sCCH). Ovaj postupak ponovnog uzorkovanja pokrenut je 1000 puta [31]. Varijacija podrhtavanja ovisila je o vremenskoj razlučivosti CCH. Na primjer, ako je raspon CCH bio 15 ms, kao što je prikazano na slici 5A, tada standardna devijacija slučajnog podrhtavanja ("prozor podrhtavanja") također treba biti postavljena na 15 ms. Oduzeli smo ovaj sCCH od sirovog CCH da bismo dobili ispravljeni CCH. Na taj smo način zajamčili da će strukturirani obrasci paljenja ili varijacije u vremenskim okvirima usporedivi s vremenskom rezolucijom CCH biti uklonjeni. U suštini, svaka traka određenog spremnika u CCH predstavlja mogućnost skoka okidačkih neurona za generiranje podudarnosti s ciljnim neuronom. Stoga bismo mogli upotrijebiti traku koja stoji pored nulte kašnjenja za mjerenje vremenske preciznosti dvaju neurona. Budući da se naša studija usredotočila na vremensku preciznost s vremenskim redoslijedom, za analizu smo koristili samo slučajnost u [0, 15] ms ili [0, 5] ms. Osim toga, vjerojatnost repa sCCH korištena je za konstruiranje raspona prihvatljivosti. Traka pogreške u CCH ispravljenom podrhtavanjem ocrtavala je standardnu ​​devijaciju sCCH

Usporedba broja skokova za precizne vremenske uzorke. Kako bismo testirali hipotezu da su generirani precizni vremenski obrasci energetski učinkoviti, usporedili smo broj skokova preciznih vremenskih uzoraka prikupljenih iz bloka zadatka s onima iz osnovnog bloka dok smo kontrolirali rezultat podudarnosti. Točnije, uzorkovali smo 300 ms duge neuralne obrasce iz osnovnog bloka (pomicanjem prozora u koracima od 150 ms), čiji je rezultat koincidencije bio u rasponu rezultata koincidencije iz nagradnih neuralnih obrazaca.

 

Osim toga, također smo usporedili broj skokova preciznih vremenskih uzoraka prikupljenih iz ovog zadatka s onima iz nagrađujućih neuronskih obrazaca zadatka CS-modulacije. Slično tome, uzorkovali smo neuralne obrasce iz ova dva skupa kako bi se raspon rezultata slučajnosti podudarao. Indeks modulacije.

 

Indeks modulacije korišten je za karakterizaciju dubine modulacije pojedinačnih neurona u bloku zadatka na temelju njegovog aktiviranja u osnovnom bloku FRbaseline:

 

Točnije, FRtask je procijenjen korištenjem uspješnih ispitivanja u bloku zadataka. Stabilne sesije. Kako bismo saznali stabilne sesije (ili plato učenja) u ukupnom broju n sesija snimanja, iterativno smo izračunali omjer rk između varijance stope uspjeha od zadnjih k sesija σ 2 ({Si |i=n − k plus 1, ..., n}) i to od prvog σ 2 ({Si |i=1, ..., n − k}) kako slijedi:

 

gdje Si označava stopu uspješnosti na sesiji i. k je iteriran od 2 do n − 1, a iteracija je prekinuta kada je rk bio veći od rk−1. Posljednja k − 1 sesija vratila bi se kao stabilne sesije. Drugim riječima, dodavanje k-te sesije zadnjih k − 1 sesija povećalo bi varijaciju ponašanja i stoga se ne bi trebalo smatrati stabilnom sesijom. Na temelju ovog kriterija, sesija 6 do sesija 10 B11 i sesija 9 do sesija 10 C05 smatrane su stabilnima.

Prekoračenje NCS-a. NCS koji je premašio prag za nagradu definiran je kao prekoračenje NCS. Kako bismo spriječili disparitet graničnih vrijednosti u dva subjekta, oduzeli smo razliku u pragovima ({{0}}.36 − 0.32=0.04) od svih prekoračenja NCS-a B11 redom za prikaz ispravljenog prekoračenja NCS.

2.3. Stopa uspješnosti statističke analize.

Prvo je izvedeno linearno prilagođavanje kako bi se testirao uzlazni trend u svakom subjektu. Jednostrani Mann-Whitneyjev test dalje je korišten za usporedbu stope uspjeha u ranoj fazi u odnosu na onu u kasnoj fazi. Svaka skupina kombinirala je četiri sesije dvaju ispitanika (n=8) [32].

Trajanje probe. Kako bismo usporedili trajanje ispitivanja u ranoj fazi s onim u kasnoj fazi, skupili smo uzorke trajanja ispitivanja iz različitih sesija i subjekata. S obzirom na ovu ugniježđenu strukturu, korištena je dvosmjerna ANOVA (F(DFn, DFd)) za otkrivanje varijacije faktora "faze" i interakcije između različitih faktora. Test značajne podudarnosti. Standardna devijacija surogiranog CCH nakon ponovnog uzorkovanja korištena je za izračunavanje gornje granice intervala pouzdanosti za svaki bin pod različitim alfama (npr. 0.05 za 95 posto pouzdanosti). Stoga smo testirali značajnu podudarnost svakog spremnika uspoređujući CCH ispravljen za podrhtavanje s tim gornjim granicama. Učinkovito paljenje s normalizacijom brzine paljenja.

S obzirom da je broj šiljaka u neuronskom obrascu dugom 300 ms bio diskretna varijabla, Mack–Skillingsov test (neparametarska dvosmjerna ANOVA) korišten je za testiranje protiv nulte hipoteze da je broj šiljaka preciznih vremenski obrasci iz bloka zadatka i iz osnovnog bloka (ili zadatka CS-modulacije) nisu imali razlike. S rezultatom koincidencije kao drugim faktorom, podijeljen je u pet blokova od 0,9 do 2,9 (tri bloka od 1,8 do 3,2 u usporedbi sa zadatkom CS-modulacije). Indeks mrežne modulacije. Indeksi modulacije svih značajno moduliranih neizravnih neurona kroz sesije (četiri sesije za svaki uvjet) skupljeni su zajedno, a t-test jednog uzorka korišten je da se ispita je li srednji indeks modulacije statistički različit od nule. Konvergirana distribucija ispravljenog prekoračenja NCS. Kolmogorov–Smirnov test s dva uzorka korišten je za testiranje protiv nulte hipoteze da je ispravljeno prekoračenje NCS-a dva subjekta iz iste distribucije.

---

Pitajte za više:

E-pošta:wallence.suen@wecistanche.com

Whatsapp/Tel: plus 86 15292862950

DUĆAN:

https://www.xjcistanche.com/cistanche-shop