Marketing & Intelligence Artificielle

Comment le Machine Learning aide les neuroscientifiques à hacker notre code neuronal

neuroscience-code-cerveau

Comment le Machine Learning aide les neuroscientifiques à hacker notre code neuronal

Un grand défi en neuroscience est de comprendre comment le cerveau encode l’information. Les réseaux de neurones se révèlent être des crackers de code géniaux.

Notre cerveau code ses informations

Chaque fois que vous déplacez votre main ou votre doigt ou votre globe oculaire, le cerveau envoie un signal aux muscles pertinents contenant l’information qui rend ce mouvement possible. Cette information est encodée d’une manière spéciale qui permet la transmission par les neurones et ensuite d’être appliquée correctement par les muscles concernés.
Exactement, comment ce code fonctionne ? C’est un mystère. Depuis longtemps, les neuroscientifiques sont en mesure d’enregistrer ces signaux lorsqu’ils traversent les neurones. Mais les comprendre est beaucoup plus difficile. Il existe différents algorithmes qui peuvent décoder certains de ces signaux, mais leurs performances sont inégales.

Une technique permet de lire le code du cerveau

Aujourd’hui, Joshua Glaser à Northwestern University à Chicago et quelques copains disent qu’ils ont développé une telle technique en utilisant la nouvelle technologie du ML (Machine Learning). Ils disent que leur décodeur dépasse considérablement les approches existantes. En effet, il est tellement efficace que l’équipe affirme qu’elle devrait devenir la méthode standard pour analyser les signaux neuronaux à l’avenir.

Partons dans le cerveau

L’information se déplace le long des fibres nerveuses sous la forme de pointes de tension (électrique). Les neuroscientifiques pensent que le schéma des pointes code les données sur les stimuli externes, tels que le toucher, la vue et le son. De même, le cerveau encode l’information sur les mouvements musculaires d’une manière similaire.

Comprendre ce code est un objectif important. Il permet aux neuroscientifiques de mieux comprendre l’information qui est envoyée et traitée par le cerveau. Il aide également à expliquer comment le cerveau contrôle les muscles.

Les neuroscientifiques aimeraient avoir de meilleures interfaces cerveau-machine. Les buts sont multiples (contrôler les fauteuils roulants, les prothèses et les jeux vidéo). «Le décodage est un outil essentiel pour comprendre comment les signaux neuronaux se rapportent au monde extérieur», disent Glaser et Co.

La méthode utilise le ML avec peu de données

Leur méthode est simple. Les neuroscientifiques ont formé des singes macaques. En effet, l’exercice est de déplacer un curseur vers une cible sur un écran. Pour cela les macaques utilisent une sorte de souris d’ordinateur. Dans chaque test, le curseur et la cible apparaissent sur un écran à des endroits aléatoires. Alors le singe doit déplacer le curseur horizontalement et verticalement pour atteindre le but.

Après avoir formé les animaux, Glaser et Co ont enregistré l’activité de dizaines de neurones dans les parties de leur cerveau qui contrôlent le mouvement : le cortex moteur primaire, le cortex prémoteur dorsal et le cortex somatosensoriel primaire. Les enregistrements ont duré environ 20 minutes.

Le travail d’un algorithme de décodage consiste à déterminer la distance horizontale et verticale que le singe déplace le curseur dans chaque test, en utilisant uniquement les données neuronales. Les algorithmes conventionnels fonctionnent en utilisant une technique statistique connue sous le nom de régression linéaire. Cela implique d’estimer une courbe qui correspond aux données, puis de réduire l’erreur qui lui est associée. Il est largement utilisé dans le décodage neuronal dans des techniques telles que les filtres de Kalman et les cascades de Wiener.

Plusieurs techniques mises à contribution

Les neuroscientifiques ont comparé ces techniques à une variété d’approches d’apprentissage mécanique basées sur des réseaux de neurones. Il s’agissait d’un réseau de mémoire à long terme, d’un réseau neuronal récurrent et d’un réseau de neurones feedforward. Tout cela provient des ensembles de données annotés, et plus l’ensemble de données est grand, plus ils apprennent.

Les résultats sont convaincants. Glaser et Co disent que les techniques de ML ont considérablement surpassé les analyses conventionnelles. “Par exemple, pour l’ensemble des trois domaines du cerveau, un décodeur du réseau de mémoire à long terme a expliqué plus de 40% de la variance inexpliquée d’un filtre Wiener”, disent-ils.

“Ces résultats suggèrent que les techniques modernes de ML devraient devenir la méthodologie standard pour le décodage neuronal”.

À certains égards, il n’est pas surprenant que les techniques de ML soient bien meilleures. Les réseaux de neurones ont été à l’origine inspirés par l’architecture du cerveau. C’est pourquoi, le fait qu’ils peuvent mieux modeler leur fonctionnement est attendu.

Des résultats qui doivent être re-analysés

L’inconvénient des réseaux de neurones est qu’ils ont généralement besoin de grandes quantités de données d’entraînement. Mais les neuroscientifiques ont délibérément réduit la quantité de données. Ainsi, ils ont constaté que les réseaux neuronaux étaient encore supérieurs aux techniques classiques.

C’est probablement parce que l’équipe a utilisé des réseaux plus petits. “Nos réseaux ont de l’ordre de 100 000 paramètres. Alors que les réseaux communs pour la classification des images peuvent avoir sur l’ordre de 100 millions de paramètres”, disent-ils.

Le travail ouvre la voie à d’autres pour s’appuyer sur cette analyse. Glaser et Co ont mis leur code à la disposition de la communauté afin que les ensembles de données neurales existants puissent être réanalysés de la même manière.

La machine est créée sur la base d’un réseau humain

Il y a beaucoup à faire. Peut-être la tâche la plus importante sera de trouver un moyen de procéder au décodage neuronal en temps réel. Tous les travaux de Glaser et Co ont été effectués hors ligne après l’enregistrement des enregistrements. Mais il serait évidemment utile de pouvoir apprendre à la volée et de prévoir le mouvement tel qu’il se produit.

C’est une approche puissante qui a un potentiel important. Ce serait une surprise si la même chose n’était pas le cas du décodage neuronal.

Source