Pagrindinis kelių neurologijos tyrimų tikslas yra suprasti ir modeliuoti, kaip skirtingų neuronų populiacijų dinamika lemia specifinį žmonių ir gyvūnų elgesį. Daugelis esamų metodų, skirtų tyrinėti ryšį tarp nervų veiklos ir elgesio, remiasi statinių vaizdų ir smegenų skenavimo analize, o ne dinamine neuronų veiklos raida laikui bėgant.
Dinaminiai modeliai, matematiniai ar skaičiavimo metodai, skirti aprašyti sistemos raidą laikui bėgant, yra vertinga šių metodų alternatyva. Dauguma dinaminių modelių, pristatytų praeityje, buvo linijiniai, o tai reiškia, kad jie manė, kad nervų veiklos pokyčiai vyks pagal paprastą struktūrą.
Nors linijinius modelius paprastai lengviau įgyvendinti ir interpretuoti, jie dažnai nesugeba tiksliai užfiksuoti sudėtingos nervų dinamikos. Tai paskatino kai kuriuos neurologus ir kompiuterių mokslininkus sukurti kitus dinaminius modelius, galinčius apibūdinti skirtingus tiesiškumo ir nelinijinės dinamikos tipus.
Pietų Kalifornijos universiteto ir Pensilvanijos universiteto mokslininkai neseniai pristatė naują netiesinio dinaminio modeliavimo sistemą, pagrįstą pasikartojančiais neuroniniais tinklais (RNN), kuri sprendžia kai kuriuos praeityje įvestų dinaminių neurologijos tyrimų modelių apribojimus. Ši nauja sistema, aprašyta dokumente, paskelbtame m Gamtos neuromokslaigali būti naudojamas modeliuojant tiek elgsenai svarbią, tiek kitą neuroninę dinamiką, tačiau ji atskiria jas ir teikia pirmenybę dinamikai, susijusiai su elgesiu.
„Norint suprasti dinaminę nervų veiklos transformaciją į elgesį, reikia naujų galimybių netiesiškai modeliuoti, atskirti ir teikti pirmenybę elgsenai svarbiai neuronų dinamikai ir patikrinti hipotezes apie netiesiškumo kilmę“, – savo darbe rašė Omidas G. Sani, Bijanas Pesaranas ir Maryam M. Shanechi. . „Pristatome disociatyvią prioritetinę dinamikos analizę (DPAD), netiesinį dinaminio modeliavimo metodą, leidžiantį šias galimybes naudojant kelių sekcijų neuroninio tinklo architektūrą ir mokymo metodą.
Mokslininkai apmokė savo RNN pagrįstą modelį naudodami keturių žingsnių optimizavimo algoritmą. Šis algoritmas leidžia modeliui teikti pirmenybę elgsenai svarbių latentinių būsenų mokymuisi, kartu mokantis bet kokios likusios nervų dinamikos.
Norėdami parodyti savo netiesinio dinaminio modeliavimo sistemos potencialą, mokslininkai taikė penkioms skirtingoms neurologijos problemoms. Jie specialiai naudojo jį analizuodami ir modeliuodami neuronų dinamiką duomenų rinkiniuose, kuriuose yra neuronų aktyvumo įrašai nežmoginių primatų smegenyse, kai jie atliko įvairias užduotis.
„Analizuodami žievės smailes ir vietinio lauko potencialų aktyvumą atliekant keturias judėjimo užduotis, parodome penkis naudojimo atvejus“, – rašė Sani, Pesaran ir Shanechi. „DPAD įgalino tiksliau nuspėti neuroninį ir elgseną. Jis nustatė netiesines dinamines vietinio lauko potencialo transformacijas, kurios labiau nuspėjo elgesį nei tradicinės galios savybės. Be to, DPAD sumažino elgesį, nuspėjamąjį netiesinį nervinį matmenį. Tai leido patikrinti hipotezes dėl netiesiškumo neuroninėse sistemose. elgsenos transformacija, atskleidžianti, kad mūsų duomenų rinkiniuose netiesiškumas gali būti iš esmės atskirtas nuo latentinės žievės dinamikos iki elgesio.
Šios tyrėjų komandos atliktų pradinių bandymų išvados rodo, kad jų modelis gali būti vertinga neurologijos tyrimų priemonė, nes ji galėtų padėti patikrinti hipotezes apie tai, kaip dinaminė ir neneurinė dinamika yra susijusi su konkrečiu elgesiu. Pažymėtina, kad jų modelis buvo pritaikytas tiriant nenutrūkstamą (ty nuolat stebimą tam tikrą laiką), su pertraukomis atrenkamą (ty registruojamą skirtingais laiko momentais) ir kategorišką (ty, patenkantį į skirtingas kategorijas) elgseną.
Atlikdami tyrimą, mokslininkai pirmiausia demonstravo savo metodą, skirtą modeliuoti primatų nervinės veiklos transformaciją į elgesį. Tačiau jis taip pat gali būti naudojamas modeliuojant kitą smegenų dinamiką, pvz., bendrą ir skirtingą skirtingų smegenų regionų dinamiką arba jutimo dirgiklių sukeliamą nervų dinamiką.