Pesquisadores do Laboratório de Neurociência Computacional da Universidade de Tartu, na Estônia, descobriram que as ativações de redes neurais convolucionais profundas estão alinhadas com a atividade da banda gama do córtex visual humano. Seu estudo, publicado em Biologia das Comunicações , destaca ainda o potencial da inteligência artificial (IA) para ampliar a compreensão do cérebro humano.

A capacidade humana de reconhecer objetos visualmente é mediada por uma hierarquia de representações de características complexas ao longo do fluxo ventral. A pesquisa anterior descobriu que essas são semelhantes à hierarquia de transformações aprendidas por redes neurais convolucionais profundas (DCNN) treinadas em imagens.

"Com base em pesquisas anteriores, sabíamos que há uma correspondência entre a arquitetura hierárquica do sistema visual humano e a arquitetura em camadas dos DCNNs, "Jaan Aru, Raul Vicente, e Ilya Kuzovkin, três dos pesquisadores que realizaram o estudo, disse TechXplore. "Contudo, esta pesquisa baseou-se em técnicas de neuroimagem, como fMRI e MEG, cada um dos quais tem suas próprias limitações. "

A imagem MEG captura apenas a atividade média de grandes populações de neurônios de uma vez, enquanto o fMRI não captura informações temporais. Portanto, os pesquisadores decidiram coletar seu conjunto de dados usando eletrodos intracranianos implantados diretamente no cérebro de seus assuntos de teste. Esta técnica pode identificar quando a atividade cerebral acontece, sua localização anatômica, e como isso muda com o tempo.

"Isso nos permitiu explorar com mais detalhes a atividade que governa o processamento visual no cérebro humano e caracterizar mais precisamente que tipo de atividade tem semelhanças com a atividade de DCNNs, "disseram os pesquisadores.

DCNNs são um tipo de algoritmo de aprendizado de máquina para visão computacional, que funcionam especialmente bem em tarefas de reconhecimento de objetos. Sua principal característica é que eles adquirem regras para classificar objetos automaticamente, sem engenheiros humanos os delineando.

Durante o treinamento, DCNNs são treinados em milhares de imagens de objetos (por exemplo, gatos, árvores, carros, etc.), aprender a distinguir características visuais de cada uma dessas categorias. Os algoritmos podem então identificar corretamente objetos em imagens que nunca encontraram antes, com até 95 por cento de precisão.

"Um DCNN consiste em camadas de neurônios artificiais, com cada camada realizando certas operações na imagem e, em seguida, enviando informações para a próxima camada, "disseram os pesquisadores." Durante o treinamento, o algoritmo forma regras sobre quais informações devem ser enviadas para as camadas superiores e quando. "

Estudos recentes investigaram os padrões e recursos exatos aprendidos por um DCNN. Eles descobriram que, à medida que mergulhamos mais profundamente em suas camadas, os padrões visuais representados por seus neurônios tornam-se cada vez mais complexos.

“A primeira camada é responsável por detectar linhas retas, mudanças no brilho e outros recursos visuais simples, "explicam os pesquisadores." Esta informação é passada para a segunda camada, que combina recursos simples para construir detectores que podem identificar formas simples. E assim progride, tornando-se cada vez mais abstrato a cada camada, com os neurônios da camada superior representando objetos inteiros, como gatos, cães e assim por diante. Sabíamos que um fenômeno muito semelhante é observado no córtex visual humano, então a pergunta óbvia era:quão semelhantes são esses dois sistemas, e quais são suas semelhanças? "

Ao medir as respostas elétricas do cérebro, os pesquisadores observam padrões complexos de atividade. Esses padrões são agrupados de acordo com sua frequência:alfa (oito a 14 vezes por segundo), beta (15 a 30 Hz), gama (de 30 a ~ 70 Hz), gama alta (mais de 70 Hz), e outras bandas. Descobriu-se que essas bandas de frequência dependem de diferentes tipos de atividade. Por exemplo, alfa é mais forte quando os humanos estão relaxados, enquanto beta e gama aumentam durante o envolvimento ativo em uma tarefa.

"Descobrimos que a atividade em gama baixa (30 a 70 Hz) e gama alta (70 a 150 Hz) está mais bem alinhada com a atividade que acontece em DCNNs, indicando que o que acontece no cérebro nessas frequências é mais semelhante ao que os DCNNs estão fazendo, "disseram os pesquisadores.

Essas descobertas estão alinhadas com pesquisas anteriores, destacando a importância da atividade gama para o reconhecimento de objetos. No futuro, eles poderiam ajudar a entender melhor os cálculos exatos que são refletidos pelos sinais de frequência gama durante o processamento visual.

"A missão final da neurociência é entender como o cérebro codifica, armazena e transmite informações e como disparos de bilhões de neurônios levam a processos mentais complexos, como entender um texto ou comunicá-lo a um amigo, "disseram os pesquisadores." Este trabalho fornece mais uma peça deste enorme quebra-cabeça, e destaca o papel importante que os algoritmos de IA podem desempenhar na compreensão do cérebro humano. "

O Laboratório de Neurociência Computacional da Universidade de Tartu estuda sistemas de aprendizagem biológicos e artificiais lado a lado, pois compará-los pode levar a descobertas biológicas fascinantes. Os pesquisadores agora estão trabalhando em dois outros projetos, que formará o cerne da tese de doutorado de Kuzovkin.

“Em um dos projetos, vamos examinar o funcionamento interno de um algoritmo que treinamos para dar sentido aos dados do cérebro humano; explorando qual atividade cerebral considera útil para a tarefa final e qual descarta. Isso fornecerá uma ferramenta para passar por grandes volumes de atividade e filtrar as partes que são relevantes para uma tarefa mental específica. "

© 2018 Tech Xplore