هوش مصنوعی نوسانات کلیدی مغز را آشکار می‌کند

به گزارش خبرگزاری علم و فناوری آنا به نقل از نوروساینس نیوز، مطالعه نوسانات مغز درک ما از عملکرد مغز را افزایش داده است. ریپل‌ها نوعی نوسان سریع هستند که زمینه ساز سازماندهی خاطرات هستند. آن‌ها در اختلالات عصبی مانند صرع و آلزایمر تحت تأثیر قرار می‌گیرند. به همین دلیل، آن‌ها یک بیومارکر الکتروانسفالوگرافی (EEG) محسوب می‌شوند. با این حال موج ها، شکل موج‌ها و ویژگی‌های مختلفی را نشان می‌دهند که می‌توانند توسط روش‌های طیفی استاندارد نادیده گرفته شوند.

به‌تازگی، جامعه علوم اعصاب خواستار نیاز به خودکارسازی بهتر، هماهنگ سازی و بهبود تشخیص امواج در طیف وسیعی از وظایف و گونه‌ها شده است. در این مطالعه، نویسندگان از نوار‌های به دست آمده در موش‌های آزمایشگاهی برای آموزش جعبه ابزار مدل‌های یادگیری ماشین و هوش مصنوعی استفاده کردند.

این پیشرفت که از یک هکاتون مشترک سرچشمه می‌گیرد، بیش از 100 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 راه‌های جدیدی را در کاربرد‌های نوروتکنولوژی، به ویژه در تشخیص و درک اختلالات عصبی باز می‌کند.

این مطالعه جدید جهش قابل توجهی را در مطالعه نوسانات مغز به‌ویژه امواج که برای سازماندهی حافظه بسیار مهم هستند و در اختلالاتی مانند صرع و آلزایمر تحت تاثیر قرار می‌گیرند، نشان می‌دهد. محققان جعبه ابزاری از مدل‌های هوش مصنوعی آموزش‌دیده‌شده روی داده‌های الکتروانسفالوگرافی جوندگان را برای خودکارسازی و افزایش تشخیص این نوسانات ایجاد کرده‌اند که کارایی آنها را روی داده‌های پستانداران غیر انسانی ثابت می‌کند.

توانایی این مدل‌ها با استفاده از داده‌های نخستی‌های غیر انسانی 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 شده است.

دلا پریدا یکی ازنویسندگان این مطالعه توضیح می‌دهد: دریافتیم که می‌توان از داده‌های الکتروانسفالوگرافی 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.

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

دلا پریدا 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.