Учёные определяют положение и направление взгляда мыши по её нейронной активности

Исследователи объединили модель глубокого обучения с экспериментальными данными, чтобы «декодировать» нейронную активность мыши. Используя этот метод, они могут точно определить, где находится мышь в открытой среде и куда она смотрит, просто анализируя паттерны её нейронных импульсов.

Возможность декодировать нейронную активность может дать представление о функции и поведении отдельных нейронов или даже целых областей мозга. Эти результаты, опубликованные 22 февраля в Biophysical Journal, также могут повлиять на создание интеллектуальных машин, которые в настоящее время плохо справляются с автономной навигацией.

В сотрудничестве с исследователями из Лаборатории армейских исследований США команда старшего автора Василиоса Маруласа использовала модель глубокого обучения для изучения двух типов нейронов, участвующих в навигации: нейронов «направления головы», которые кодируют информацию о том, куда смотрит животное, и «клеток решётки», которые кодируют двумерную информацию о местоположении животного в пространственной среде.

«Современные интеллектуальные системы отлично справляются с распознаванием образов, но когда дело доходит до навигации, эти же так называемые интеллектуальные системы работают не очень хорошо без координат GPS или чего-то ещё, что направляет процесс», — говорит Марулас, математик из Университета Теннесси в Ноксвилле. «Я думаю, что следующий шаг вперёд для систем искусственного интеллекта — это интегрировать биологическую информацию с существующими методами машинного обучения».

В отличие от предыдущих исследований, пытавшихся понять поведение клеток решётки, команда основывала свой метод на экспериментальных, а не смоделированных данных.

Данные, собранные в рамках предыдущего исследования, состояли из паттернов нейронных импульсов, записанных с помощью внутренних зондов, и сопоставленных с ними «контрольных» видеозаписей о реальном местоположении мыши, положении её головы и движениях во время исследования открытой среды. Анализ включал интеграцию паттернов активности групп нейронов направления головы и клеток решётки.

«Понимание и представление этих нейронных структур требует математических моделей, которые описывают связи более высокого порядка — то есть я хочу понять не то, как один нейрон активирует другой, а то, как ведут себя группы и команды нейронов», — говорит Марулас.

Используя новый метод, исследователи смогли предсказать местоположение и направление головы мыши с большей точностью, чем ранее описанные методы. Далее они планируют включить информацию от других типов нейронов, участвующих в навигации, и проанализировать более сложные паттерны.

В конечном итоге исследователи надеются, что их метод поможет в создании интеллектуальных машин, способных ориентироваться в незнакомой среде без использования GPS или спутниковой информации. «Конечная цель — использовать эту информацию для разработки архитектуры машинного обучения, которая сможет успешно и автономно ориентироваться на неизвестной местности без GPS или спутникового наведения», — говорит Марулас.