Vrijwillig genereren van reproduceerbare, efficiënte temporele patronen

Abstract:Een van de buitengewone kenmerken van het biologische brein is de lage energiekosten die het nodig heeft om een ​​verscheidenheid aan biologische functies en intelligentie te implementeren in vergelijking met moderne kunstmatige intelligentie (AI). Spike-gebaseerde energie-efficiënte temporele codes zijn al lang gesuggereerd als een bijdrage aan de werking van de hersenen op lage energiekosten. Ondanks dat deze code grotendeels in de sensorische cortex is gerapporteerd, is niet onderzocht of deze code in andere hersengebieden kan worden geïmplementeerd om bredere functies te dienen en hoe deze zich tijdens het leren ontwikkelt. In deze studie hebben we een nieuw brein-machine-interface (BMI) -paradigma ontworpen. Twee makaken kunnen opzettelijk reproduceerbaar zijnenergie-efficiënte temporele patronenin de primaire motorische cortex (M1) door het BMI-paradigma te leren. Bovendien verhoogden de meeste neuronen die niet direct waren toegewezen om de BMI te beheersen hun prikkelbaarheid niet, en ze vertoonden een algehele energie-efficiënte manier bij het uitvoeren van de taak. In de loop van het leren ontdekten we dat de vuursnelheid en temporele precisie van geselecteerde neuronen samen evolueerden om deenergie-efficiënte temporele patronen, wat suggereert dat samenhangende in plaats van dissocieerbare verwerking ten grondslag ligt aan de verfijning van energie-efficiënte temporele patronen.

Trefwoorden:precieze temporele patronen;energiezuinige code;hersenmachine-interfaces; primaire motorische cortex

KLIK HIER OM CISTANCHE VOOR HERSENENERGIE TE KENNEN

1. Inleiding

Hoewel het menselijk brein actief 20 procent van de energie van het lichaam afvoert, verbruikt het uiteindelijk slechts 20 watt [1,2]. Bovendien heeft een van de nieuwste onderzoeken onthuld dat het vermogen dat wordt besteed aan neurale berekeningen minder dan één procent van het totale budget in beslag neemt [3]. Vergeleken met de energie die wordt verbruikt door moderne kunstmatige intelligentie (AI) die is geïmplementeerd in op silicium gebaseerde hardware, verbruiken de hersenen buitengewoon weinig om biologische intelligentie te implementeren. Decennia lang hebben wetenschappers en ingenieurs geprobeerd inzichten te halen uit neurale coderingsschema's om efficiënte intelligente systemen te bouwen. Tijdelijke codering, waarbij informatie wordt gecommuniceerd en verwerkt door de temporele coördinatie van spikes, maakt gebruik van de discrete aard van spikes. De temporele code kan theoretisch meer informatie bevatten dan de tariefcode [4]. Daarom heeft temporele codering de aandacht getrokken en is deze toegepast in AI-praktijken [5-7]. De implementatie van temporele codes leidt echter niet noodzakelijkerwijs tot schaarste of een laag energiebudget wereldwijd in biologische hersenen (Figuur 1A). Volgens [8] wordt code-efficiëntie gedefinieerd als de verhouding van de representatiecapaciteit tot de verbruikte energie, die wordt gekenmerkt door het aantal opgenomen actiepotentialen. Een recente studie heeft aangetoond dat het genereren van precieze temporele patronen gepaard gaat met verhoogde excitatie [9]. Hoewel precieze temporele patronen robuust werden gegenereerd, werden ze in dit geval niet als efficiënt beschouwd vanwege de toenemende metabolische kosten die worden veroorzaakt door overtollige pieken. Daarom is een beter begrip van hoe efficiënte temporele patronen worden gegenereerd en van het neurale verschil dat ten grondslag ligt aan het genereren van efficiënte en niet-efficiënte patronen hard nodig. Dit diepere begrip is de sleutel tot het trekken van functionele implicaties op het gebied van neurowetenschappen en het ontwerpen van efficiënte kunstmatige intelligentie.

 

Figuur 1. Schematische voorstelling van precieze temporele codes. (A) Schematische illustratie van twee soorten precieze temporele codes. Gearceerde rechthoeken markeren de precieze synchronisatie buiten de snelheidsfluctuatie die wordt bewaard in de spike-treinen van twee neuronen. Het efficiënte precieze temporele patroon rechts afgebeeld bevat echter minder spikes dan dat aan de linkerkant, hoewel het aantal spike-toevalligheden onder de twee gevallen identiek is. (B) Schema van hoe efficiënte codes worden bestudeerd op kunstmatige neurale netwerken door expliciet de regularisatieterm in de kostenfunctie op te nemen om hoge schietsnelheden r(t) te bestraffen. Hier geeft c(t) de doelsignalen aan die door het netwerk moeten worden gerepresenteerd. (C) Schema van de expliciete integratie van informatiecapaciteit c(t) en metabolische kosten (de vuursnelheid van neuronen r(t)) in de decoder van de hersen-machine-interface voor de studie van de efficiënte codes in vivo. NCS(t) is de gedecodeerde variabele die in deze studie is gedefinieerd

 

In de afgelopen decennia hebben onderzoekers efficiënte temporele patronen gedocumenteerd, voornamelijk in de context van stimuluscodering [10,11]. Naast het representeren van prikkels, worden er echter verschillende berekeningen uitgevoerd in het biologische brein om intelligentie te verkrijgen, bijvoorbeeld het werkgeheugen, het genereren van complexe zelfvoorzienende patronen en het uitgeven van outputs. Desalniettemin is er zeer weinig bekend over de vraag of efficiënte temporele patronen reproduceerbaar kunnen worden geïmplementeerd om een ​​breder scala aan functies te dienen. Een ander controversieel onderwerp met betrekking tot efficiënte code is de leerbaarheid ervan. Aangezien de tijdelijke verplaatsing van elke spike "telt", en eventuele overtollige spikes als metabolisch kostbaar zouden worden beschouwd door de definitie van efficiënte code, is de inzet van deze code in het op spikes gebaseerde neurale netwerk om efficiënte berekeningen te ondersteunen veelbelovend. Relatief weinig studies hebben echter aangetoond dat netwerken kunnen worden getraind om efficiënte patronen te genereren [12-14]. Een voorgestelde strategie was om de afvuursnelheden in de kostenfunctie expliciet te beperken en het netwerk te trainen met globale fout-back-propagatie, wat biologisch ongeloofwaardig was (figuur 1B). Desalniettemin is niet aangetoond of de efficiënte patronen op een biologisch plausibele manier kunnen worden geleerd, wat een uitdaging zou kunnen zijn om in vivo te onderzoeken, aangezien men geen "doelstellingen" kan definiëren om de emissie van spikes tijdens traditionele gedragstaken te beperken, wat het geval is in de kunstmatige neurale netwerken.

Om deze uitdagingen het hoofd te bieden, hebben we gebruik gemaakt van een brain-machine interface (BMI) [15]. Afgezien van het doorslaand succes bij het herstellen van motorische [16-20], spraak [21] en psychologische functies [22], heeft BMI onlangs de neurowetenschap een impuls gegeven door causaliteit te bieden aan gedragsresultaten voor bepaalde neurale patronen. Onderzoekers kunnen de mappings definiëren tussen neurale activiteit en gedragsuitkomsten, die "decoders" werden genoemd [23-26]. BMI gaf ons dus de mogelijkheid om "doelstellingen" te definiëren, namelijk om de emissie van spikes te beperken om te onderzoeken of de efficiënte temporele patronen reproduceerbaar kunnen worden gegenereerd en geleerd (Figuur 1C). In de studie van [9] toonden de auteurs aan dat wanneer de decoders een functie waren van relatieve spike-timing in plaats van veelgebruikte descriptoren zoals vuurfrequenties, om resultaten te controleren, de patronen die met temporele precisie worden opgewekt, causaal verband kunnen houden met gedrag. Bovendien stelden bekende mappings in dergelijke "temporele neuroprothesen" de auteurs in staat om te volgen hoe de temporele patronen werden geleerd en verfijnd in de hersencircuits. Die studie had echter alleen betrekking op niet-efficiënte temporele patronen, waardoor efficiënte temporele patronen grotendeels onontgonnen bleven. Daarom ligt de focus van dit werk op het bestuderen van het genereren en leren van efficiënte temporele patronen in de motorische cortex door een nieuwe BMI te introduceren die de precieze piektiming beperkt, evenals de metabolische kosten die worden veroorzaakt door het aantal pieken.

 

2. materialen en methoden

Alle chirurgische en experimentele procedures voldeden aan de Gids voor de verzorging en het gebruik van laboratoriumdieren (China Ministry of Health) en werden goedgekeurd door de Animal Care Committee van de Zhejiang University in China. De chirurgische procedure werd in detail beschreven in [27]. In het kort werden de 96-kanaalmicro-elektrode-arrays (Blackrock Neurotech) chronisch geïmplanteerd in de primaire motorische cortex van twee mannelijke resusapen (Macaca mulatta) (Monkey B11, Monkey C05). De apen hadden ongeveer een week nodig om te herstellen van een operatie, waarna de neurale signalen werden geregistreerd via het Cerebus multichannel data-acquisitiesysteem (Blackrock Neurotech) met een bemonsteringsfrequentie van 30 kHz. Spike-activiteiten werden gedetecteerd door drempels (root mean square multiplier, B11: ×5,5; C05: ×7). In de eerste leersessie en na online handmatig sorteren, hebben we twee geïsoleerde eenheden met de hoogste signaal-naar-verhouding (SNR) en golfvormstabiliteit toegewezen op basis van opnames van voorgaande weken om respectievelijk de triggereenheid en de doeleenheid te zijn. De online sorteersjablonen voor deze twee eenheden zijn tijdens het leren ongewijzigd gebleven en gevalideerd door de offline sorteerder (Plexon, Dallas, TX, VS, Inc.) om ervoor te zorgen dat dezelfde neuronen werden geregistreerd en gebruikt voor training in verschillende sessies. In figuur S1A wordt getoond dat de variatie van golfvormen tussen sessies kleiner is dan de gemiddelde amplitude. Omdat deze twee geselecteerde eenheden direct verantwoordelijk waren voor de uitkomst, werden ze bestempeld als "directe neuronen". De rest van de eenheden waren "indirecte neuronen", die werden gedetecteerd en offline gesorteerd voor de daaropvolgende analyse in dit artikel. Het aantal geregistreerde "indirecte neuronen" was relatief stabiel over de dagen heen (B11: 54,3 ± 8,5; C05: 54,3 ± 9,1). Bovendien wordt de ruimtelijke relatie van de directe neuronen in de array weergegeven in figuur S1B.

 

2.1. Gedragstaak

Bij deze taak werden de pieken van de triggereenheid en de doeleenheid in een tijdsbestek van 300 ms in realtime gestreamd naar op maat geschreven scripts in MATLAB (Mathworks Inc., Natick, MA, VS) om een ​​conditioneringsvariabele te berekenen: de genormaliseerde toevalsscore (NCS). Het venster werd elke 150 ms verschoven met een overlap van 150 ms. NCS werd vervolgens auditief en visueel teruggekoppeld naar het onderwerp, ook elke 150 ms. De proefpersonen zouden de waterbeloning ontvangen als ze erin slaagden de neurale patronen te moduleren om de NCS in 15 seconden naar de drempel te drijven. Anders zou de proef worden beëindigd en zouden de proefpersonen nog 4 seconden moeten wachten om de volgende proef te starten (Figuur 2B). De NCS-drempels voor het verkrijgen van de beloning waren ingesteld op het 99e percentiel van de NCS-verdeling, die werden geschat op basis van de basislijngegevens in de eerste sessie (elke 150 ms gedurende 5 minuten bemonsterd). De NCS-drempels (B11: 0,36; C05: 0,32) werden voor alle sessies vastgesteld. In de basislijnperiode zaten de proefpersonen met hun handen beperkt. Water werd willekeurig maar spaarzaam gegeven, alleen om de proefpersoon te kalmeren en hem in staat te stellen een stationaire toestand te behouden zonder grote bewegingen. Er werden in deze periode geen auditieve of visuele prikkels gegeven.

 

De conditioneringsvariabele NCS wordt als volgt gedefinieerd:

waarbij M en N het totale aantal pieken zijn van de triggereenheid en de doeleenheid in een tijdvenster van 300 ms, is S(∆ji) de scorefunctie die afhankelijk is van de vertraging ∆ji tussen de emissietijd van de i e piek van de trigger-eenheid en de j-ste piek van de doeleenheid. Meer specifiek neemt de scorefunctie een exponentiële vorm aan, vergelijkbaar met hoe synaptische werkzaamheid verandert onder spike-timing-afhankelijke plasticiteit (STDP) [28], waarbij de trigger die het doel leidt resulteert in een positieve score en vice versa:

 

In ons experiment was τ ingesteld op 17 ms om te passen in het kritieke venster dat werd waargenomen in STDP-experimenten [29]. Daarom diende de teller van de NCS om niet alleen de temporele precisie te belonen, maar ook de juiste temporele volgorde. Voor het gemak noemden we deze teller de toevalsscore (CS). Normalisatie door het geometrische gemiddelde van de piektellingen van de twee eenheden speelde de rol van het bestraffen van buitensporige pieken voor het beperken van energiekosten. Theoretisch zou de waarde van NCS binnen het bereik van -1 tot 1 moeten liggen.

 

We hebben de NCS in kaart gebracht in de frequentie van een audiocursor, variërend van 1 kHz tot 24 kHz in stappen van een kwart octaaf. Bovendien hebben we een vergelijkbare visuele feedbackomgeving toegepast in de center-out-taken, aangezien alle proefpersonen waren getraind in center-out-taken. NCS in [-0.5, 0.5] werd toegewezen aan de verticale positie van een blauwe cirkel op het scherm (Figuur 2A), met een gele cirkel die de beloningsdrempel aangeeft. De visuele feedback werd geïmplementeerd met behulp van Psychtoolbox en gekoppeld aan het op maat geschreven hoofdprogramma.

De proefpersonen hadden waterbeperkingen en moesten op opeenvolgende dagen taken leren, waarbij elke dag twee sessies werden gehouden, één in de ochtend en één in de middag.

 

We hebben ook een controle-experiment uitgevoerd om te onderzoeken hoe de normalisatie van vuursnelheden het genereren van efficiënte temporele neurale patronen beïnvloedde. In dit controle-experiment moest C05 de coïncidentiescore moduleren in plaats van de genormaliseerde coïncidentiescore met behulp van een ander paar directe eenheden (de zogenaamde "CS-modulatie"-taak). Andere taakconfiguraties waren identiek aan die in de "NCS-modulatie"-taak.

 

Figuur 2. Het op BMI gebaseerde taakparadigma. (A) De taak werd in een gesloten lus uitgevoerd. Neurale activiteit van de M1 van de proefpersoon werd automatisch gelezen en geëxtraheerd. Alle leads en lags tussen pieken van de trigger- en doeleenheden werden gebruikt om de NCS te berekenen, die verder werd teruggekoppeld door deze toe te wijzen aan de frequentie van een audiocursor en de verticale positie van een visuele cursor. In deze voorbeeldproef was de NCS-drempel voor beloning 0.32. De drempel voor de waterbeloning werd bepaald op basis van de NCS-verdeling die in de eerste sessie werd geschat. (B) Taakstructuur van een typische sessie. De sessie begon met een 5-min baseline-blok, waarna de verdeling van NCS kon worden geschat. Eén proef kan maximaal 15 seconden duren, gevolgd door een 4 seconden lang inter-proefinterval (ITI). De NCS werd berekend met behulp van neurale activiteit in een glijdend venster van 300 ms.

 

2.2. Gegevensanalyse Gedragsstatistieken.

We hebben twee statistieken toegepast, het slagingspercentage en de proefduur, om de gedragsprestaties in de taak te evalueren. Het slagingspercentage werd gedefinieerd als de verhouding tussen het aantal succesvolle proeven en het totale aantal proeven in één sessie. Relatief hetzelfde totale aantal proeven werd uitgevoerd over sessies voor elke proefpersoon (B11: 105,3 ± 12,8; C05: 215 ± 20,0) en werd gebruikt voor de daaropvolgende analyse. Het aantal proeven was ingesteld op het aantal proefpersonen dat ze volledig konden uitvoeren. Een andere maatstaf die gedragsprestaties beoordeelt, de duur van de proef, werd gedefinieerd als de tijd vanaf het begin van een proef tot aan de beloning.

Een andere maatstaf die gedragsprestaties beoordeelt, de duur van de proef, werd gedefinieerd als de tijd vanaf het begin van een proef tot aan de beloning

 

CCH. We hebben een jitter-gecorrigeerd kruiscorrelatiehistogram (CCH) gebruikt om de temporele relatie tussen de trigger- en doeleenheden weer te geven op een eindige tijdschaal [30]. We jitterden willekeurig de emissietijd voor elke piek van de doeleenheid om de gesurrogeerd CCH (sCCH) weer te geven. Deze herbemonsteringsprocedure is 1000 keer uitgevoerd [31]. De variatie in jitter was afhankelijk van de temporele resolutie van de CCH. Als de bak van CCH bijvoorbeeld 15 ms was, zoals weergegeven in figuur 5A, dan moet de standaarddeviatie van willekeurige jittering ("jittervenster") ook worden ingesteld op 15 ms. We hebben deze sCCH afgetrokken van de onbewerkte CCH om de gecorrigeerde CCH te verkrijgen. Op deze manier garandeerden we dat gestructureerde afvuurpatronen of variaties in tijdschalen vergelijkbaar met de temporele resolutie van CCH zouden worden verwijderd. In wezen vertegenwoordigt elke balk van een bepaalde bak in de CCH de mogelijkheid van een piek van triggerneuronen om samenvallen met het doelneuron te genereren. Daarom zouden we de balk naast zero-lag kunnen gebruiken om de temporele precisie van twee neuronen te meten. Omdat ons onderzoek zich richtte op temporele precisie met temporele volgorde, gebruikten we alleen toeval in [0, 15] ms of [0, 5] ms voor analyse. Bovendien werd de staartkans van sCCH gebruikt om de acceptatiebanden te construeren. De foutbalk in de jitter-gecorrigeerde CCH schetste de standaarddeviatie van de sCCH

Vergelijking van piektellingen voor precieze temporele patronen. Om de hypothese te testen dat de gegenereerde precieze temporele patronen energie-efficiënt zijn, vergeleken we de piektellingen van de precieze temporele patronen verzameld uit het taakblok met die van het basislijnblok terwijl we controleerden voor de coïncidentiescore. Meer specifiek hebben we de 300 ms lange neurale patronen uit het basislijnblok gesampled (door het venster in stappen van 150 ms te verplaatsen), waarvan de coïncidentiescore in het bereik lag van de coïncidentiescores van de belonende neurale patronen.

 

Daarnaast hebben we ook de spike-tellingen van de precieze temporele patronen die uit deze taak zijn verzameld, vergeleken met die van de belonende neurale patronen van de CS-modulatietaak. Evenzo hebben we de neurale patronen van deze twee sets bemonsterd, zodat het bereik van de coïncidentiescores zou overeenkomen. Modulatie-index.

 

De modulatie-index werd gebruikt om de modulatiediepte van enkele neuronen in het taakblok te karakteriseren op basis van het afvuren ervan in het basislijnblok FRbaseline:

 

Meer specifiek werd FRtask geschat met behulp van de succesvolle proeven in het taakblok. Stabiele sessies. Om de stabiele sessies (of het leerplateau) in het totaal van n opnamesessies te vinden, hebben we iteratief de verhouding rk berekend tussen de variantie van het slagingspercentage van de laatste k sessies σ 2 ({Si |i=n − k plus 1, ..., n}) en dat vanaf de eerste σ 2 ({Si |i=1, ..., n − k}) als volgt:

 

waarbij Si staat voor het slagingspercentage bij sessie i. k werd herhaald van 2 tot n − 1, en de iteratie werd beëindigd toen rk groter was dan rk−1. De laatste k − 1 sessie zou worden geretourneerd als de stabiele sessies. Met andere woorden, het toevoegen van de k-de sessie aan de laatste k − 1-sessies zou de gedragsvariatie vergroten en hoeft dus niet als een stabiele sessie te worden beschouwd. Op basis van dit criterium werden sessie 6 tot sessie 10 van B11 en sessie 9 tot sessie 10 van C05 als stabiel beschouwd.

NCS doorschieten. De NCS die de drempel voor beloning overschreed, werd gedefinieerd als de overschrijding van de NCS. Om de ongelijkheid van drempelwaarden bij de twee proefpersonen tegen te gaan, hebben we het verschil in drempelwaarden ({{0}}.36 − 0.32=0.04) afgetrokken van alle overschrijding van NCS van B11 om om de gecorrigeerde doorschrijding NCS weer te geven.

2.3. Succespercentage statistische analyse.

Lineaire aanpassing werd eerst uitgevoerd om te testen op de opwaartse trend in elk onderwerp. Een eenzijdige Mann-Whitney-test werd verder gebruikt om het slagingspercentage in de vroege fase te vergelijken met dat in de late fase. Elke groep combineerde de vier sessies van de twee proefpersonen (n=8) [32].

Proefduur. Om de proefduur in de vroege fase te vergelijken met die in de late fase, hebben we monsters van de proefduur van verschillende sessies en proefpersonen samengevoegd. Gegeven deze geneste structuur werd een tweerichtings-ANOVA (F(DFn, DFd)) gebruikt om de variatie van de "fase"-factor en de interactie tussen de verschillende factoren te onthullen. Test op significante coïncidentie. De standaarddeviatie van de vervangende CCH na herbemonstering werd gebruikt om de bovengrens van het betrouwbaarheidsinterval voor elke bin onder verschillende alfa's te berekenen (bijv. 0.05 voor 95 procent betrouwbaarheid). We hebben dus het significante samenvallen van elke bin getest door de jitter-gecorrigeerde CCH te vergelijken met die bovengrenzen. Efficiënt schieten met normalisatie van de vuursnelheid.

Aangezien het aantal pieken in het neurale patroon van 300 ms een discrete variabele was, werd de Mack–Skillings-test (niet-parametrische tweeweg-ANOVA) gebruikt om te testen op de nulhypothese dat het aantal pieken van precieze temporele patronen van een taakblok en van een basislijnblok (of een CS-modulatietaak) hadden geen verschil. Met de coïncidentiescore als tweede factor werd het in vijf blokken van 0,9 tot 2,9 gebundeld (drie blokken van 1,8 tot 3,2 in vergelijking met de CS-modulatietaak). Netwerkmodulatie-index. De modulatie-indices van alle significant gemoduleerde indirecte neuronen over sessies heen (vier sessies voor elke aandoening) werden samengevoegd en er werd een one-sample t-test gebruikt om te onderzoeken of de gemiddelde modulatie-index statistisch verschilde van nul. Geconvergeerde verdeling van gecorrigeerde doorschrijding NCS. Een Kolmogorov-Smirnov-test met twee steekproeven werd gebruikt om te testen tegen de nulhypothese dat de gecorrigeerde overschrijding van de NCS van twee proefpersonen uit dezelfde verdeling kwam.

---

Vraag voor meer:

E-mail:wallence.suen@wecistanche.com

Whatsapp% 2fTel% 3a plus % 7b% 7b0% 7d% 7d

WINKEL:

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