| Περίληψη |
Ένα κεντρικό δόγμα του κλάδου των νευροεπιστημών είναι ότι οι εξαιρετικές υπολογιστικές
ικανότητες του εγκεφάλου οφείλονται στις διασυνδέσεις που υπάρχουν ανάμεσα σε
πληθυσμούς διαφόρων νευρώνων. Βρισκόμαστε σε μια εξαιρετική περίοδο στην ιστορία του
κλάδου της νευροεπιστήμης, καθώς το πεδίο βιώνει γρήγορη ανάπτυξη αναφορικά με την
πολυπλοκότητα και τη ποσότητα της νευρωνικής δραστηριότητας που καταγράφεται. Αυτό
οφείλεται στη πρόοδο που έχει γίνει στον πειραματικό σχεδιασμό, στις τεχνικές μέτρησης αλλά
και στις υπολογιστικές δυνατότητες που υπάρχουν σήμερα, τα οποία μας επιτρέπουν
πρωτοφανή πρόσβαση στην ανάλυση της νευρωνικής δραστηριότητας σε διάφορες περιοχές του
εγκεφάλου. Ένας από τους στόχους της νευροεπιστήμης είναι η εύρεση ερμηνεύσιμων
περιγραφών σχετικά με το τι αναπαριστά και υπολογίζει ο εγκέφαλος αλλά και η ερμηνεία
πολύπλοκων φαινομένων σε απλή ορολογία. Θεωρώντας αυτό ως ένα πρόβλημα μείωσης
διάστασης χώρου μας επιτρέπει να ανακαλύπτουμε αναπαραστάσεις απευθείας από τα
πειραματικά δεδομένα, το οποίο είναι ένα βήμα κλειδί για την ανάπτυξη κατανοητών μοντέλων
σχετικά με τη λειτουργία του εγκεφάλου. Οι μέθοδοι που χρησιμοποιούνται για τη μείωση
διάστασης του χώρου παράγουν από δεδομένα υψηλής διάστασης αναπαραστάσεις με
χαμηλότερη διάσταση, οι οποίες διατηρούν και δίνουν έμφαση σε ενδιαφέροντα
χαρακτηριστικά που υπάρχουν στα δεδομένα μας.
Σε αυτή την εργασία χρησιμοποιούμε δύο διαφορετικά σύνολα δεδομένων με πραγματικές
δυαδικές μετρήσεις, τα οποία αναφέρονται στην αυθόρμητη νευρωνική δραστηριότητα δύο
εργαστηριακών ποντικιών, την οποία εμείς στοχεύουμε να αναπαραστήσουμε αποδοτικά σε
χαμηλότερη διάσταση. Τα πραγματικά δεδομένα, σε αντίθεση με τα συνθετικά, δεν είναι τόσο
δομημένα και η ύπαρξη θορύβου είναι πιο έντονη. Ο θόρυβος αυτός μπορεί να οφείλεται είτε
σε λάθη κατά την δημιουργία ή την επεξεργασία των δεδομένων, είτε σε τυχαία ενεργοποίηση
κάποιων νευρώνων. Επομένως, για να μπορέσουμε να αποσπάσουμε χρήσιμες πληροφορίες για
το πως συνδέονται οι νευρώνες μεταξύ τους, θα πρέπει να μπορούμε να διαχωρίζουμε τα
πραγματικά από τα θορυβώδη πρότυπα ενεργοποίησης. Για να μπορέσουμε επομένως να
αντιμετωπίσουμε και τις δύο αυτές προκλήσεις, δηλαδή την αποδοτική αναπαράσταση των
δεδομένων σε χαμηλότερη διάσταση αλλά και το διαχωρισμό ανάμεσα σε πραγματικά και
θορυβώδη πρότυπα, συνδυάζουμε τεχνικές εκμάθησης λεξικών και μηχανικής μάθησης με
επίβλεψη. Πιο συγκεκριμένα προτείνουμε έναν αλγόριθμο για εκμάθηση λεξικών, ο οποίος
διαδοχικά διαλέγει τα στοιχεία από το σύνολο των δεδομένων που διαθέτουμε, και γεμίζει το
λεξικό, δηλαδή το νέο χώρο μειωμένης διάστασης, μόνο με εκείνα τα στοιχεία τα οποία
συνεισφέρουν στη καλύτερη αναπαράσταση των πραγματικών προτύπων ενεργοποίησης από
ότι εκείνων με θόρυβο. Η απόφαση για την είσοδο ενός στοιχείου στο λεξικό που βασίζεται στη
χρήση πραγματικών ενθόρυβων προτύπων ενεργοποίησης δικαιολογεί το χαρακτηρισμό
"ανταγωνιστικά" που έχουμε δώσει για να περιγράψουμε τον αλγόριθμο μας. Αυτή η μέθοδος
αναζητά επαναλαμβανόμενα πρότυπα, για τα οποία υπάρχει μόνο απόλυτος συγχρονισμός
διέγερσης ανάμεσα στους νευρώνες. Θεωρούμε και μια πιο χαλαρή προσέγγιση αυτού του
αλγορίθμου, βάσει της οποίας μπορούμε να ανακαλύπτουμε πρότυπα που έχουν και χρονική
συσχέτιση μεταξύ τους μέσα σε ένα μεγαλύτερο χρονικό παράθυρο. Τέλος, χρησιμοποιούμε ένα
ταξινομητή, ο οποίος εκπαιδεύεται με τα ανακατασκευασμένα πραγματικά και ενθόρυβα
πρότυπα ενεργοποίησης.
Ο αλγόριθμος που προτείνουμε δημιουργεί ένα λεξικό, το οποίο χρησιμοποιείται για να παράγει
τα πραγματικά, θορυβώδη ανακατασκευασμένα πρότυπα, τα οποία στη συνέχεια δίνονται ως
είσοδος στο ταξινομητή. Πειραματικά αποτελέσματα δείχνουν ότι αυτός πετυχαίνει ακρίβεια
ταξινόμησης 60% στην περίπτωση της απόλυτης συγχρονισμένης δραστηριότητας και 90% όταν
αναζητάμε πρότυπα σε μεγαλύτερα χρονικά παράθυρα. Συγκριτικά, όταν ο ταξινομητής
εκπαιδεύεται με τα αρχικά δεδομένα επιτυγχάνει ακρίβεια ταξινόμησης 51%. Επίσης, μέσω
πειραματικών αποτελεσμάτων δείχνουμε τη καλύτερη επίδοση του αλγορίθμου μας τόσο
ποσοτικά, όσο και ποιοτικά συγκρίνοντας τον με τον K-SVD, ένα καθιερωμένο αλγόριθμο για
εκμάθηση λεξικών.
|
Analysis and modeling of spontaneous neural activity using dictionary learning systems
