Nuevo sistema de detección de patrones neuroinspirado
El funcionamiento de las neuronas ha inspirado a un equipo de científicos españoles para crear un método con el que se pueden detectar patrones temporales. Su aplicación ayudará a investigar los mecanismos que subyacen detrás del aprendizaje y el almacenamiento de información en el cerebro.
Los investigadores han creado una estructura neuroinspirada llamada MNSD (multi neuronal spike-sequence detector). / Pixabay
Los humanos se desempeñan notablemente bien en muchas tareas cognitivas, incluido el reconocimiento de patrones, pero los mecanismos neuronales subyacentes a este proceso todavía no se conocen bien. Sin embargo, las redes neuronales artificiales inspiradas en circuitos cerebrales pueden ayudar en estas tareas de reconocimiento de patrones espacio-temporales.
Este método para detectar patrones temporales puede arrojar luz sobre mecanismos de almacenamiento de información en el cerebro
Es lo que hace el método desarrollado por investigadores del Centro de Tecnología Biomédica (CTB) de la Universidad Politécnica de Madrid (UPM), la universidad de La Laguna y el Instituto de Física Interdisciplinar y Sistemas Complejos (IFISC, CSIC-UIB), cuyos detalles se publican en la revista Frontiers in Neuroscience.
Este novedoso método para la detección de patrones temporales basado en un sistema neuroinspirado se ha utilizado, precisamente, para clasificar señales cerebrales obtenidas por magnetoencefalografía. La metodología, que ha sido validada y aplicada a datos reales, podría arrojar luz sobre algunos mecanismos de almacenamiento de información en el cerebro.
El trabajo es una estructura de detección de patrones que analiza secuencias temporales paralelas y, gracias al mecanismo de plasticidad sináptica incorporado en el modelo, es capaz de aprender las características distintivas de diferentes tipos de señales de interés.
La estructura MNSD
El nombre de la estructura neuroinspirada creada por el grupo es MNSD (multi neuronal spike-sequence detector). Se puede entrenar on line a medida que recibe nuevos ejemplos, y no necesariamente aprendiendo todo el conjunto de datos de entrenamiento a la vez. Después de un número suficiente de ejemplos, MNSD aprende a distinguir secuencias temporales pertenecientes a una clase específica, discerniendo aquellas que tienen las características aprendidas de aquellas que no las tienen.
La estructura neuroinspirada se puede entrenar on line a medida que recibe nuevos ejemplos, sin necesidad de aprender todo a la vez
El correcto funcionamiento de la estructura ha sido validado con datos simulados y posteriormente aplicado a datos reales (pruebas psicológicas realizadas en humanos para la evaluación del control inhibitorio). Los resultados muestran que las prestaciones de este método son similares a las obtenidas con otras técnicas de clasificación, lo que indica la efectividad de este nuevo enfoque. Pero, según indican los autores de la metodología, “lo más interesante es su bioplausibilidad, que podría desvelar mecanismos de almacenamiento de información en el cerebro real”.
Este método es capaz de trabajar de manera natural con secuencias temporales, aprendiendo los tiempos característicos involucrados en las series presentadas así como sus interrelaciones. Además, la misma técnica puede ser adaptada al reconocimiento de objetos, después de haber codificado apropiadamente sus características en el dominio del tiempo.
Como señalan los investigadores del laboratorio de neurociencia cognitiva y computacional “la simplicidad y el bajo coste computacional del método desarrollado permiten una implementación a gran escala en aplicaciones de reconocimiento en tiempo real en varias áreas, como la autenticación biométrica o la detección temprana de enfermedades”.
Referencia bibliográfica:
Susi, G., Antón Toro, L., Canuet, L., López, M. E., Maestú, F., Mirasso, C. R., & Pereda, E. "A Neuro-Inspired System for Online Learning and Recognition of Parallel Spike Trains, Based on Spike Latency, and Heterosynaptic STDP". Frontiers in neuroscience, 12, 780, 2018.
.png)
No hay comentarios:
Publicar un comentario