Comment l'apprentissage automatique aide les neuroscientifiques à déchiffrer notre code neuronal

Chaque fois que vous bougez votre main, votre doigt ou votre globe oculaire, le cerveau envoie un signal aux muscles concernés contenant les informations qui rendent ce mouvement possible. Cette information est codée d'une manière spéciale qui lui permet d'être transmise à travers les neurones et ensuite actionnée correctement par les muscles concernés.

Exactement comment ce code fonctionne est quelque chose d'un mystère. Les neuroscientifiques sont depuis longtemps capables d'enregistrer ces signaux lorsqu'ils traversent les neurones. Mais les comprendre est beaucoup plus difficile. Il existe divers algorithmes capables de décoder certains de ces signaux, mais leurs performances sont inégales. Une meilleure façon de décoder les signaux neuronaux est donc désespérément nécessaire.

Aujourd'hui, Joshua Glaser de la Northwestern University de Chicago et quelques amis disent avoir développé une telle technique en utilisant la toute nouvelle technologie de l'apprentissage automatique. Ils disent que leur décodeur surpasse de manière significative les approches existantes. En effet, c'est tellement mieux que l'équipe dit qu'elle devrait devenir la méthode standard pour analyser les signaux neuronaux à l'avenir.

Tout d'abord un peu de contexte. L'information voyage le long des fibres nerveuses sous la forme de pics de tension, ou potentiels d'action, qui voyagent le long des fibres nerveuses. Les neuroscientifiques pensent que le modèle de pointes encode des données sur les stimuli externes, tels que le toucher, la vue et le son. De même, le cerveau encode les informations sur les mouvements musculaires de la même manière.

Comprendre ce code est un objectif important. Il permet aux neuroscientifiques de mieux comprendre les informations qui sont envoyées et traitées par le cerveau. Il aide également à expliquer comment le cerveau contrôle les muscles.

Les ingénieurs aimeraient beaucoup avoir de meilleures interfaces cerveau-machine pour contrôler les fauteuils roulants, les membres prothétiques et les jeux vidéo. Le décodage est un outil essentiel pour comprendre comment les signaux neuronaux se rapportent au monde extérieur, disent Glaser et co.

Leur méthode est simple. Ils ont entraîné des singes macaques à déplacer un curseur d'écran vers une cible à l'aide d'une sorte de souris d'ordinateur. Dans chaque test, le curseur et la cible apparaissent sur un écran à des emplacements aléatoires, et le singe doit déplacer le curseur horizontalement et verticalement pour atteindre l'objectif.

Après avoir dressé les animaux, Glaser et co ont enregistré l'activité de dizaines de neurones dans les parties de leur cerveau qui contrôlent le mouvement : le cortex moteur primaire, le cortex prémoteur dorsal et le cortex somatosensoriel primaire. Leurs enregistrements ont duré environ 20 minutes, ce qui correspond à la capacité d'attention des singes… et des expérimentateurs.

Le travail d'un algorithme de décodage est de déterminer la distance horizontale et verticale sur laquelle le singe déplace le curseur dans chaque test, en utilisant uniquement les données neuronales.

L'objectif de Glaser et co était de découvrir quel type d'algorithme de décodage fait le mieux. Ils ont donc introduit les données dans une variété d'algorithmes conventionnels et plusieurs nouveaux algorithmes d'apprentissage automatique.

Les algorithmes conventionnels fonctionnent en utilisant une technique statistique connue sous le nom de régression linéaire. Cela implique d'estimer une courbe qui correspond aux données, puis de réduire l'erreur qui lui est associée. Il est largement utilisé dans le décodage neuronal dans des techniques telles que les filtres de Kalman et les cascades de Wiener.

Glaser et co ont comparé ces techniques à une variété d'approches d'apprentissage automatique basées sur des réseaux de neurones. Ceux-ci comprenaient un réseau de mémoire à long terme, un réseau de neurones récurrent et un réseau de neurones à anticipation.

Tous ces éléments apprennent à partir d'ensembles de données annotés, et plus l'ensemble de données est volumineux, mieux ils apprennent. Cela implique généralement de diviser l'ensemble de données en deux : 80 % sont utilisés pour former l'algorithme et les 20 % restants sont utilisés pour le tester.

Les résultats sont probants. Glaser et co affirment que les techniques d'apprentissage automatique ont largement surpassé les analyses conventionnelles. Par exemple, pour les trois zones du cerveau, un décodeur de réseau de mémoire à long terme a expliqué plus de 40 % de la variance inexpliquée d'un filtre de Wiener, disent-ils. Ces résultats suggèrent que les techniques modernes d'apprentissage automatique devraient devenir la méthodologie standard pour le décodage neuronal.

À certains égards, il n'est pas surprenant que les techniques d'apprentissage automatique fassent tellement mieux. Les réseaux de neurones se sont inspirés à l'origine de l'architecture du cerveau, on s'attend donc à ce qu'ils puissent mieux modéliser son fonctionnement.

L'inconvénient des réseaux de neurones est qu'ils nécessitent généralement de grandes quantités de données d'entraînement. Mais Glaser et co ont délibérément réduit la quantité de données de formation qu'ils ont fournies aux algorithmes et ont constaté que les réseaux de neurones surpassaient toujours les techniques conventionnelles.

C'est probablement parce que l'équipe a utilisé des réseaux plus petits que ceux traditionnellement utilisés pour des techniques telles que la reconnaissance faciale. Nos réseaux ont de l'ordre de 100 000 paramètres, tandis que les réseaux communs de classification d'images peuvent avoir de l'ordre de 100 millions de paramètres, disent-ils.

Le travail ouvre la voie à d'autres pour s'appuyer sur cette analyse. Glaser et co ont mis leur code à la disposition de la communauté afin que les ensembles de données neuronales existantes puissent être réanalysées de la même manière.

Il y a beaucoup à faire. La tâche la plus importante sera peut-être de trouver un moyen d'effectuer le décodage neuronal en temps réel. Tout le travail de Glaser and co a été effectué hors ligne après la réalisation des enregistrements. Mais il serait clairement utile de pouvoir apprendre à la volée et de prédire le mouvement au fur et à mesure qu'il se produit.

Il s'agit d'une approche puissante qui a un potentiel important. Dans d'autres domaines scientifiques où l'apprentissage automatique a été appliqué pour la première fois, les chercheurs sont tombés sur de nombreux fruits à portée de main. Il serait surprenant qu'il n'en soit pas de même pour le décodage neuronal.

Réf : arxiv.org/abs/1708.00909 : Apprentissage automatique pour le décodage neuronal

cacher