هوش مصنوعی نوسانات کلیدی مغز را آشکار می کند

آینده جهان با هوش مصنوعی (131)؛

دانشمندی ایرانی جعبه ابزاری از مدل های هوش مصنوعی را معرفی کرده است که می تواند امواج مغزی، کلیدی در سازمان دهی حافظه و بیماری های عصبی را تشخیص دهد.

به گزارش خبرگزاری علم و فناوری جیرو به نقل از نوروساینس نیوز، مطالعه نوسانات مغز درک ما از عملکرد مغز را افزایش داده است. ریپل ها نوعی نوسان سریع هستند که زمینه ساز سازماندهی خاطرات هستند. آن ها در اختلالات عصبی مانند صرع و آلزایمر تحت تاثیر قرار می گیرند. به همین دلیل، آن ها یک بیومارکر الکتروانسفالوگرافی (EEG) محسوب می شوند. با این حال موج ها، شکل موج ها و ویژگی های مختلفی را نشان می دهند که می توانند توسط روش های طیفی استاندارد نادیده گرفته شوند.

اخیرا، جامعه علوم اعصاب خواستار نیاز به خودکارسازی بهتر، هماهنگ سازی و بهبود تشخیص امواج در طیف وسیعی از وظایف و گونه ها شده است. در این مطالعه، نویسندگان از نوار های به دست آمده در موش های آزمایشگاهی برای آموزش جعبه ابزار مدل های یادگیری ماشین و هوش مصنوعی استفاده کردند.

این پیشرفت، که از یک هکاتون مشترک سرچشمه می گیرد، بیش از صد مدل یادگیری ماشینی بهینه سازی شده، از جمله ماشین های بردار پشتیبان و شبکه های عصبی کانولوشنال را به صورت رایگان در اختیار جامعه علمی قرار می دهد. این پیشرفت راه های جدیدی را در کاربرد های نوروتکنولوژی، به ویژه در تشخیص و درک اختلالات عصبی باز می کند.

این مطالعه جدید جهش قابل توجهی را در مطالعه نوسانات مغز، به ویژه امواج، که برای سازماندهی حافظه بسیار مهم هستند و در اختلالاتی مانند صرع و آلزایمر تحت تاثیر قرار می گیرند، نشان می دهد. محققان جعبه ابزاری از مدل های هوش مصنوعی آموزش دیده شده بر روی داده های الکتروانسفالوگرافی جوندگان را برای خودکارسازی و افزایش تشخیص این نوسانات ایجاد کرده اند که کارایی آنها را بر روی داده های پستانداران غیر انسانی ثابت می کند.

ما توانایی این مدل ها را با استفاده از داده های نخستی های غیر انسانی که در دانشگاه واندربیلت (نشویل، ایالات متحده آمریکا) توسط سامان عباسپور و رهبر آزمایشگاه کاری هافمن به عنوان بخشی از ابتکار مغز جمع آوری شده بود، آزمایش کرده ایم.

د لا پریدا یکی ازنویسندگان این مطالعه توضیح می دهد: ما دریافتیم که می توان از داده های الکتروانسفالوگرافی جوندگان برای آموزش الگوریتم های هوش مصنوعی استفاده کرد که می توانند روی داده های پستانداران و احتمالاً انسان اعمال شوند، مشروط بر اینکه از تکنیک های ضبط یکسانی استفاده شود.

مدل ها شامل برخی از شناخته شده ترین معماری های یادگیری تحت نظارت، مانند ماشین های بردار پشتیبان، درخت های تصمیم گیری و شبکه های عصبی کانولوشن هستند.

د لا پریدا می گوید: این بانک از مدل های هوش مصنوعی کاربرد های جدیدی در زمینه فناوری های عصبی ارایه می کند و می تواند برای تشخیص و تجزیه و تحلیل نوسانات با فرکانس بالا در آسیب شناسی هایی مانند صرع، که نشانگر های بالینی در نظر گرفته می شوند، مفید باشد.