Generació voluntària de patrons temporals eficaços i reproduïbles
Jul 14, 2023
Resum:Una de les característiques extraordinàries del cervell biològic és la baixa despesa energètica que requereix per implementar una varietat de funcions biològiques i intel·ligència en comparació amb la intel·ligència artificial (IA) moderna. Fa temps que s'ha suggerit que els codis temporals d'eficiència energètica basats en pics contribueixen a que el cervell funcioni amb una despesa energètica baixa. Tot i que aquest codi s'ha informat en gran mesura a l'escorça sensorial, no s'ha abordat si aquest codi es pot implementar en altres àrees del cervell per complir funcions més àmplies i com evoluciona al llarg de l'aprenentatge. En aquest estudi, hem dissenyat un nou paradigma d'interfície cervell-màquina (IMC). Dos macacs podrien generar voluntàriament reproductiblespatrons temporals eficients energèticamenta l'escorça motora primària (M1) aprenent el paradigma de l'IMC. A més, la majoria de les neurones que no estaven assignades directament per controlar l'IMC no van augmentar la seva excitabilitat i van demostrar una manera global d'eficiència energètica en realitzar la tasca. Al llarg de l'aprenentatge, vam trobar que les taxes d'activació i la precisió temporal de les neurones seleccionades van coevolucionar per generar elpatrons temporals eficients energèticament, cosa que suggereix que el processament cohesionat més que dissociable és la base del perfeccionament dels patrons temporals eficients energèticament.
Paraules clau:patrons temporals precisos;codi d'eficiència energètica;interfícies cervell-màquina; escorça motora primària
FEU CLIC AQUÍ PER CONÈIXER CISTANCHE PER A L'ENERGIA DEL CEREBRAL
1. Introducció
Tot i que el cervell humà drena activament el 20 per cent de l'energia del cos, finalment consumeix només 20 watts d'energia [1,2]. A més, un dels estudis més nous ha revelat que la potència gastada per a la computació neuronal ocupa menys de l'un per cent del pressupost total [3]. En comparació amb l'energia que consumeix la intel·ligència artificial (IA) moderna implementada en maquinari basat en silici, el cervell consumeix extraordinàriament poc per implementar la intel·ligència biològica. Durant dècades, científics i enginyers han intentat extreure coneixements dels esquemes de codificació neuronal per construir sistemes intel·ligents eficients. La codificació temporal, mitjançant la qual la informació es comunica i es processa mitjançant la coordinació temporal dels pics, utilitza la naturalesa discreta dels pics. El codi temporal teòricament pot portar més informació que el codi de tarifa [4]. Per tant, la codificació temporal ha cridat l'atenció i s'ha utilitzat en pràctiques d'IA [5–7]. Tanmateix, la implementació de codis temporals no condueix necessàriament a l'escàs ni a un pressupost energètic baix a nivell mundial en els cervells biològics (figura 1A). Segons [8], l'eficiència del codi es defineix com la relació entre la capacitat de representació i l'energia gastada, que es caracteritza pel nombre de potencials d'acció inclosos. Un estudi recent ha indicat que la generació de patrons temporals precisos s'acompanya d'una excitació elevada [9]. En aquest cas, tot i que es van generar de manera robusta patrons temporals precisos, no es van considerar eficients, a causa del creixent cost metabòlic provocat pels pics excedents. Per tant, és molt necessària una comprensió més profunda de com es generen els patrons temporals eficients i de la diferència neuronal subjacent a la generació de patrons eficients i no eficients. Aquesta comprensió més profunda és la clau per dibuixar implicacions funcionals en l'àmbit de la neurociència i dissenyar una intel·ligència artificial eficient.
Figura 1. Esquema de codis temporals precisos. (A) Esquema que il·lustra dos tipus de codis temporals precisos. Els rectangles ombrejats marquen la sincronització precisa més enllà de la fluctuació de la velocitat que es conserva en els trens de punta de dues neurones. Tanmateix, el patró temporal precís eficaç que es mostra a la dreta conté menys pics que el de l'esquerra, tot i que el nombre de coincidències de picades en els dos casos és idèntic. (B) Esquema de com s'estudien els codis eficients a les xarxes neuronals artificials incorporant explícitament el terme de regularització a la funció de cost per penalitzar les altes taxes d'activació r(t). Aquí, c(t) indica els senyals objectiu que representarà la xarxa. (C) Esquema de la incorporació explícita de la capacitat d'informació c(t) i el cost metabòlic (taxes de tret de les neurones r(t)) al descodificador de la interfície cervell-màquina per a l'estudi dels codis eficients in vivo. NCS(t) és la variable descodificada definida en aquest estudi
Durant les últimes dècades, els investigadors han estat documentant patrons temporals eficients, principalment en el context de la codificació d'estímuls [10,11]. Tanmateix, a més de representar estímuls, es realitzen diversos càlculs al cervell biològic per obtenir intel·ligència, per exemple, la memòria de treball, la generació de patrons complexos autosostenits i l'emissió de resultats. No obstant això, se sap molt poc sobre si els patrons temporals eficients es podrien implementar de manera reproductible per tal de servir una gamma més àmplia de funcions. Un altre tema controvertit en relació al codi eficient és la seva capacitat d'aprenentatge. Atès que el desplaçament temporal de cada espiga "compta" i qualsevol espiga sobrant es consideraria metabòlicament costosa per la definició de codi eficient, el desplegament d'aquest codi a la xarxa neuronal basada en espigues per donar suport a un càlcul eficient és molt prometedor. Tanmateix, relativament pocs estudis han demostrat que les xarxes es podrien entrenar per generar patrons eficients [12-14]. Una estratègia proposada era restringir explícitament les taxes de tret a la funció de cost i entrenar la xarxa amb la propagació d'error global, que era biològicament inverosímil (figura 1B). No obstant això, no s'ha demostrat si els patrons eficients es podrien aprendre d'una manera biològicament plausible, cosa que podria ser un repte d'investigar in vivo ja que no es poden definir "objectius" per restringir l'emissió de pics durant les tasques de comportament tradicionals, com és el cas. a les xarxes neuronals artificials.
Per abordar aquests reptes, vam aprofitar una interfície cervell-màquina (IMC) [15]. A part del seu èxit rotund en la restauració de les funcions motores [16–20], la parla [21] i psicològiques [22], l'IMC ha dinamitzat recentment la neurociència oferint causalitat als resultats del comportament per a determinats patrons neuronals. Els investigadors poden definir els mapes entre l'activitat neuronal i els resultats del comportament, que es van anomenar "descodificadors" [23–26]. Així, l'IMC ens va dotar de la capacitat de definir "objectius", és a dir, restringir l'emissió de pics per investigar si els patrons temporals eficients es podrien generar i aprendre de manera reproducible (figura 1C). En l'estudi de [9], els autors van demostrar que quan els descodificadors eren una funció del temps relatiu de l'espiga en lloc dels descriptors d'ús habitual, com ara les taxes de tret, per controlar els resultats, els patrons obtinguts amb precisió temporal podrien estar relacionats causalment amb els comportaments. A més, els mapes coneguts en aquestes "neuropròtesis temporals" van permetre als autors fer un seguiment de com es van aprendre i perfeccionar els patrons temporals als circuits cerebrals. No obstant això, aquest estudi només va cobrir el cas de patrons temporals no eficients, deixant patrons temporals eficients en gran mesura sense explorar. Per tant, l'objectiu d'aquest treball és estudiar la generació i l'aprenentatge de patrons temporals eficients a l'escorça motora mitjançant la introducció d'un nou IMC que limita el temps precís dels pics, així com el cost metabòlic que comporta els recomptes de pics.
2. Materials i Mètodes
Tots els procediments quirúrgics i experimentals s'ajusten a la Guia per a la cura i l'ús d'animals de laboratori (Ministeri de Salut de la Xina) i van ser aprovats pel Comitè de Cura dels Animals de la Universitat de Zhejiang a la Xina. El procediment quirúrgic es va descriure en detall a [27]. Breument, les matrius de microelèctrodes de canal 96- (Blackrock Neurotech) es van implantar de manera crònica a l'escorça motora primària de dos micos rhesus mascles (Macaca mulatta) (Monkey B11, Monkey C05). Els micos van trigar aproximadament una setmana a recuperar-se de la cirurgia, després de la qual es van registrar els senyals neuronals mitjançant el sistema d'adquisició de dades multicanal Cerebus (Blackrock Neurotech) a una freqüència de mostreig de 30 kHz. Les activitats d'espiga es van detectar mitjançant llindars (multiplicador quadrat mitjà de l'arrel, B11: × 5,5; C05: × 7). A la primera sessió d'aprenentatge i després de l'ordenació manual en línia, vam assignar dues unitats aïllades amb la més alta relació senyal-relació (SNR) i estabilitat de la forma d'ona en funció dels enregistraments de setmanes anteriors per ser la unitat disparadora i la unitat objectiu, respectivament. Les plantilles d'ordenació en línia d'aquestes dues unitats es van mantenir sense canvis al llarg de l'aprenentatge i es van validar pel classificador fora de línia (Plexon, Dallas, TX, EUA, Inc.) per garantir que les mateixes neurones s'enregistressin i s'utilitzessin per a l'entrenament durant les sessions. A la figura S1A es mostra que la variació de les formes d'ona entre sessions és menor que l'amplitud mitjana. Com que aquestes dues unitats seleccionades eren directament responsables del resultat, es van etiquetar com a "neurones directes". La resta de les unitats eren "neurones indirectes", que es van detectar i ordenar fora de línia per a l'anàlisi posterior d'aquest article. El nombre de "neurones indirectes" registrades va ser relativament estable durant els dies (B11: 54,3 ± 8,5; C05: 54,3 ± 9,1). A més, a la figura S1B es mostra la relació espacial de les neurones directes de la matriu.
2.1. Tasca conductual
En aquesta tasca, els pics de la unitat de disparador i la unitat objectiu en una finestra de 300 ms es van transmetre en temps real a scripts escrits personalment a MATLAB (Mathworks Inc., Natick, MA, EUA) per calcular una variable condicionant: la puntuació de coincidència normalitzada (NCS). La finestra es va lliscar cada 150 ms amb una superposició de 150 ms. A continuació, NCS es va retroalimentar al subjecte auditivament i visualment, també cada 150 ms. Els subjectes rebrien la recompensa d'aigua si aconseguissin modular els patrons neuronals per conduir l'NCS al llindar en 15 s. En cas contrari, l'assaig s'acabaria i els subjectes haurien d'esperar 4 s més per iniciar el següent assaig (figura 2B). Els llindars NCS per obtenir la recompensa es van establir per ser el percentil 99 de la distribució NCS, que es van estimar a partir de les dades de referència de la primera sessió (mostrejada cada 150 ms durant 5 min). Els llindars NCS (B11: 0,36; C05: 0,32) es van fixar entre sessions. En el període de referència, els subjectes es van asseure amb les mans restringides. L'aigua es donava de manera aleatòria però escassa, només per calmar el subjecte i per permetre-li mantenir un estat estacionari sense grans moviments. En aquest període no es van donar estímuls auditius ni visuals.
La variable de condicionament NCS es defineix de la següent manera:
on M i N són el nombre total de pics de la unitat disparadora i la unitat objectiu en una finestra de temps de 300 ms, S(∆ji) és la funció de puntuació que depèn del retard ∆ji entre el temps d'emissió de l'espiga i del unitat disparadora i el punt j de la unitat objectiu. Més concretament, la funció de puntuació adquireix una forma exponencial, semblant a com canvia l'eficàcia sinàptica sota la plasticitat depenent del temps d'espiga (STDP) [28], on el desencadenant que porta l'objectiu resulta en una puntuació positiva i viceversa:
Al nostre experiment, τ es va establir a 17 ms per adaptar-se a la finestra crítica observada en experiments STDP [29]. Per tant, el numerador del NCS va servir per premiar no només la precisió temporal sinó també l'ordre temporal correcte. Per comoditat, hem anomenat aquest numerador puntuació de coincidència (CS). La normalització per la mitjana geomètrica dels recomptes de pics de les dues unitats va tenir el paper de penalitzar els pics excessius per limitar les despeses energètiques. Teòricament, el valor de NCS hauria d'estar dins del rang de -1 a 1.
Vam assignar l'NCS a la freqüència d'un cursor d'àudio, que va d'1 kHz a 24 kHz en increments d'un quart d'octava. A més, vam adoptar un entorn de retroalimentació visual similar a les tasques de centre-out, ja que tots els subjectes havien estat entrenats en tasques de centre-out. NCS a [−0.5, 0.5] es va assignar a la posició vertical d'un cercle blau a la pantalla (figura 2A), amb un cercle groc que indica el llindar de recompensa. La retroalimentació visual es va implementar mitjançant Psychtoolbox i es va connectar amb el programa principal escrit a mida.
Els subjectes tenien problemes d'aigua i havien d'aprendre tasques en dies consecutius, amb dues sessions cada dia, una al matí i una altra a la tarda.
També vam realitzar un experiment de control per investigar com la normalització de les taxes de tret va afectar la generació de patrons neuronals temporals eficients. En aquest experiment de control, C05 va haver de modular la puntuació de coincidència en lloc de la puntuació de coincidència normalitzada mitjançant un parell diferent d'unitats directes (anomenada tasca de "modulació CS"). Altres configuracions de tasques eren idèntiques a les de la tasca "Modulació NCS".
Figura 2. El paradigma de tasques basat en l'IMC. (A) La tasca s'ha executat en bucle tancat. L'activitat neuronal de l'M1 del subjecte es va llegir i extreure automàticament. Tots els avantatges i retards entre els pics de les unitats de disparador i objectiu es van utilitzar per calcular l'NCS, que es va retroalimentar mitjançant el mapa a la freqüència d'un cursor d'àudio i la posició vertical d'un cursor visual. En aquesta prova exemplificada, el llindar NCS per a la recompensa era de 0,32. El llindar per a la recompensa d'aigua es va establir en funció de la distribució NCS estimada a la primera sessió. (B) Estructura de tasques d'una sessió típica. La sessió va començar amb un bloc de referència de 5-min, després del qual es va poder estimar la distribució de NCS. Un assaig podria durar 15 s com a màxim, seguit d'un interval inter-assaig (ITI) de 4 s. El NCS es va calcular mitjançant l'activitat neuronal en una finestra lliscant de 300 ms.
2.2. Anàlisi de dades Mètriques de comportament.
Hem aplicat dues mètriques, la taxa d'èxit i la durada de la prova, per tal d'avaluar el rendiment del comportament en la tasca. La taxa d'èxit es va definir com la relació entre el nombre d'assaigs amb èxit i el nombre total d'assaigs en una sessió. Es va realitzar relativament el mateix nombre total d'assaigs entre sessions per a cada subjecte (B11: 105,3 ± 12,8; C05: 215 ± 20,0) i es va utilitzar per a l'anàlisi posterior. El nombre de proves es va establir en la quantitat que els subjectes podien realitzar amb total implicació. Una altra mètrica que avalua el rendiment del comportament, la durada de la prova, es va definir com el temps des de l'inici d'una prova fins al lliurament de la recompensa.
Una altra mètrica que avalua el rendiment del comportament, la durada de la prova, es va definir com el temps des de l'inici d'una prova fins al lliurament de la recompensa.
CCH. Hem utilitzat un histograma de correlació creuada (CCH) corregit per fluctuacions per representar la relació temporal entre les unitats disparadores i objectiu en una escala de temps finita [30]. Vam modificar aleatòriament el temps d'emissió per a cada pic de la unitat objectiu per tal de representar el CCH substituït (sCCH). Aquest procediment de mostreig s'ha executat 1000 vegades [31]. La variació del jitter depenia de la resolució temporal del CCH. Per exemple, si el bin de CCH era de 15 ms, tal com es mostra a la figura 5A, la desviació estàndard de la fluctuació aleatòria ("finestra de fluctuació") també s'hauria d'establir en 15 ms. Vam restar aquest sCCH del CCH brut per obtenir el CCH corregit. D'aquesta manera, vam garantir que s'eliminarien els patrons de tret estructurats o les variacions en les escales de temps comparables a la resolució temporal de CCH. Essencialment, cada barra d'una safata particular del CCH representa la possibilitat d'un augment de neurones disparadores per generar una coincidència amb la neurona objectiu. Per tant, podríem utilitzar la barra situada al costat del retard zero per mesurar la precisió temporal de dues neurones. Com que el nostre estudi es va centrar en la precisió temporal amb ordre temporal, només vam utilitzar la coincidència en [0, 15] ms o [0, 5] ms per a l'anàlisi. A més, es va utilitzar la probabilitat de cua de sCCH per construir les bandes d'acceptació. La barra d'error del CCH corregit per jitter va descriure la desviació estàndard del sCCH
Comparació dels recomptes de pics per a patrons temporals precisos. Per provar la hipòtesi que els patrons temporals precisos generats són eficients energèticament, vam comparar els recomptes de pics dels patrons temporals precisos recollits del bloc de tasques amb els del bloc de referència mentre controlàvem la puntuació de coincidència. Més concretament, vam provar els patrons neuronals de 300 ms de llarg del bloc de línia de base (movant la finestra en passos de 150 ms), la puntuació de coincidència dels quals estava en el rang de les puntuacions de coincidència dels patrons neuronals gratificants.
A més, també vam comparar els recomptes de pics dels patrons temporals precisos recollits d'aquesta tasca amb els dels patrons neuronals gratificants de la tasca de modulació CS. De la mateixa manera, vam fer mostres dels patrons neuronals d'aquests dos conjunts perquè el rang de puntuacions de coincidència coincidís. Índex de modulació.
L'índex de modulació es va utilitzar per caracteritzar la profunditat de modulació de les neurones individuals al bloc de tasques basat en el seu disparament al bloc de línia de base FRbaseline:
Més específicament, es va estimar FRtask mitjançant les proves reeixides del bloc de tasques. Sessions estables. Per esbrinar les sessions estables (o l'altiplà d'aprenentatge) en el total de n sessions de gravació, hem calculat iterativament la proporció rk entre la variància de la taxa d'èxit de les últimes k sessions σ 2 ({Si |i=n - k més 1, ..., n}) i la del primer σ 2 ({Si |i=1, ..., n − k}) de la manera següent:
on Si denota la taxa d'èxit a la sessió i. k es va iterar de 2 a n - 1, i la iteració es va acabar quan rk era més gran que rk-1. La darrera k - 1 sessió es retornaria com a sessions estables. En altres paraules, afegir la k-esima sessió a les últimes k - 1 sessions augmentaria la variació del comportament i, per tant, no cal que es consideri una sessió estable. A partir d'aquest criteri, la sessió 6 a la sessió 10 de B11 i la sessió 9 a la sessió 10 de C05 es van considerar estables.
Superació de NCS. El NCS que va superar el llindar de recompensa es va definir com el NCS que superava. Per contrarestar la disparitat de valors de llindar en els dos subjectes, vam restar la diferència de llindars ({{0}}.36 − 0.32=0.04) de tots els NCS superats de B11 per ordre per representar la superació NCS corregida.
2.3. Taxa d'èxit de l'anàlisi estadística.
Primer es va realitzar l'ajust lineal per comprovar la tendència a l'alça de cada tema. A més es va utilitzar una prova de Mann-Whitney d'una sola cua per comparar la taxa d'èxit a la fase inicial amb la de la fase final. Cada grup va combinar les quatre sessions de les dues assignatures (n=8) [32].
Durada de la prova. Per comparar la durada de l'assaig a la fase inicial amb la de la fase final, vam reunir mostres de la durada de l'assaig de diferents sessions i subjectes. Donada aquesta estructura imbricada, es va utilitzar un ANOVA bidireccional (F(DFn, DFd)) per revelar la variació del factor "fase" i la interacció entre els diferents factors. Prova de coincidència significativa. La desviació estàndard del CCH substituït després del remuestreig es va utilitzar per calcular el límit superior de l'interval de confiança per a cada contenidor sota diferents alfa (per exemple, 0,05 per a una confiança del 95 per cent). Així, vam provar la coincidència significativa de cada safata comparant el CCH corregit per jitter amb aquests límits superiors. Tret eficient amb normalització de velocitat de tret.
Atès que el recompte de pics en el patró neuronal de 300 ms de llargada era una variable discreta, es va utilitzar la prova de Mack-Skillings (ANOVA no paramètrica de dues vies) per provar la hipòtesi nul·la que els recomptes de pics de precisió els patrons temporals d'un bloc de tasques i d'un bloc de referència (o una tasca de modulació CS) no tenien cap diferència. Amb la puntuació de coincidència com a segon factor, es va agrupar en cinc blocs de 0,9 a 2,9 (tres blocs d'1,8 a 3,2 en comparació amb la tasca de modulació CS). Índex de modulació de xarxa. Els índexs de modulació de totes les neurones indirectes significativament modulades entre sessions (quatre sessions per a cada condició) es van agrupar i es va utilitzar una prova t d'una mostra per examinar si l'índex de modulació mitjà era estadísticament diferent de zero. Distribució convergent de la superació NCS corregida. Es va utilitzar una prova de Kolmogorov-Smirnov de dues mostres per provar la hipòtesi nul·la que la superació NCS corregida de dos subjectes eren de la mateixa distribució.
Demana més:
Correu electrònic:wallence.suen@wecistanche.com
Whatsapp/Tel: més 86 15292862950
BOTIGA:
https://www.xjcistanche.com/cistanche-shop
