.
É possível reconstruir o que alguém vê com base apenas em sinais cerebrais? A resposta é não, ainda não. Mas os pesquisadores da EPFL deram um passo nessa direção ao introduzir um novo algoritmo para construir modelos de redes neurais artificiais que capturam a dinâmica do cérebro com um impressionante grau de precisão.
Enraizado na matemática, o novo algoritmo de aprendizado de máquina é chamado CEBRA (pronuncia-se zebra) e aprende a estrutura oculta no código neural.
Quais informações o CEBRA aprende com os dados neurais brutos podem ser testadas após o treinamento por decodificação – um método usado para interfaces cérebro-máquina (IMCs) – e eles mostraram que podem decodificar do modelo o que um mouse vê enquanto assiste a um filme. Mas o CEBRA não se limita aos neurônios do córtex visual ou mesmo aos dados do cérebro. O estudo também mostra que pode ser usado para prever os movimentos do braço em primatas e para reconstruir as posições dos ratos enquanto correm livremente em uma arena. O estudo é publicado em Natureza.
“Este trabalho é apenas um passo em direção aos algoritmos apoiados teoricamente que são necessários em neurotecnologia para permitir IMCs de alto desempenho”, diz Mackenzie Mathis, Bertarelli Chair of Integrative Neuroscience da EPFL e PI do estudo.
Para aprender a estrutura latente (ou seja, oculta) no sistema visual de camundongos, o CEBRA pode prever quadros de filmes não vistos diretamente de sinais cerebrais sozinhos após um período de treinamento inicial mapeando sinais cerebrais e recursos de filmes.
Os dados usados para a decodificação de vídeo foram de acesso aberto por meio do Allen Institute em Seattle, WA. Os sinais cerebrais são obtidos diretamente medindo a atividade cerebral por meio de sondas de eletrodos inseridas na área do córtex visual do cérebro do camundongo ou usando sondas ópticas que consistem no uso de camundongos geneticamente modificados, projetados para que os neurônios ativados brilhem em verde. Durante o período de treinamento, o CEBRA aprende a mapear a atividade cerebral para quadros específicos. O CEBRA funciona bem com menos de 1% de neurônios no córtex visual, considerando que, em camundongos, essa área do cérebro é composta por cerca de 0,5 milhão de neurônios.
“Concretamente, o CEBRA é baseado no aprendizado contrastivo, uma técnica que aprende como os dados de alta dimensão podem ser organizados ou incorporados em um espaço de dimensão inferior chamado espaço latente, de modo que pontos de dados semelhantes fiquem próximos e dados mais diferentes os pontos estão mais distantes”, explica Mathis. “Essa incorporação pode ser usada para inferir relacionamentos e estruturas ocultas nos dados. Ela permite que os pesquisadores considerem em conjunto dados neurais e rótulos comportamentais, incluindo movimentos medidos, rótulos abstratos como “recompensa” ou recursos sensoriais, como cores ou texturas de imagens. “
“O CEBRA se destaca em comparação com outros algoritmos na reconstrução de dados sintéticos, o que é crítico para comparar algoritmos”, diz Steffen Schneider, co-autor do artigo. “Seus pontos fortes também residem na capacidade de combinar dados entre modalidades, como recursos de filmes e dados cerebrais, e ajuda a limitar as nuances, como alterações nos dados que dependem de como foram coletados”.
“O objetivo do CEBRA é descobrir a estrutura em sistemas complexos. E, dado que o cérebro é a estrutura mais complexa em nosso universo, é o espaço de teste definitivo para o CEBRA. Também pode nos dar uma visão de como o cérebro processa informações e pode ser uma plataforma para descobrir novos princípios em neurociência combinando dados entre animais e até mesmo espécies.” diz Mathis. “Este algoritmo não se limita à pesquisa em neurociência, pois pode ser aplicado a muitos conjuntos de dados envolvendo tempo ou informações conjuntas, incluindo comportamento animal e dados de expressão gênica. Portanto, as possíveis aplicações clínicas são empolgantes”.
.
