Google Research等机构提出新的AI算法以了解人脑网络中的电刺激效应

Posted 脑机接口社区

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Google Research等机构提出新的AI算法以了解人脑网络中的电刺激效应相关的知识,希望对你有一定的参考价值。



Google

Mayo Clinic 和 Google Research 在 PLOS Computational Biology 上发表了一项新研究,该研究展示了一种用于脑机接口 (BCI) 的新人工智能 (AI) 算法,如何更好地了解不同大脑区域之间的相互作用,从而更精确的治疗脑部疾病和状况。

该研究的作者写道:“我们提出了一种研究大脑动力学的聚合范式(convergent paradigm),专注于单个大脑部位,以观察刺激许多其他大脑部位的平均效果。”

脑机接口旨在恢复受癫痫、中风、脊髓损伤、肌萎缩侧索硬化症 (ALS)、脑瘫、帕金森氏症等疾病影响的人的功能。在心理健康方面,BCIs正在被研究作为一种可能的治疗抑郁、焦虑、强迫症(OCD)和其他神经精神障碍的方法。

脑机接口 (BCI) 是一种将人脑与外部计算设备连接起来的系统。BCI 行业是一个新兴市场,根据 Grand View Research 的数据,预计到 2027 年收入将达到 37 亿美元,2020-2027 年的复合年增长率为 15.5%。

研究人员表示,“已经使用多种技术对脑网络进行了电生理学探索,涵盖了各种空间尺度,例如脑电图 (EEG)、脑磁图 (MEG)、颅内脑电图 (iEEG) 和微电极局部场电位 (LFP)。试图推断大脑各区域之间的连通性,可能会寻找对行为任务的有监督干扰或无监督状态(清醒或睡眠)做出反应的相关信号。”

神经科学家面临的挑战之一是了解大脑网络如何相互作用。一种方法是在患者大脑的某个区域提供短暂的电流脉冲,同时监测和测量大脑其他区域产生的电压。

研究人员写道,“近年来,神经科学的一个分支领域已经围绕着通过植入(iEEG)脑表面(皮层电图,ECoG)或深穿透(立体脑电图,SEEG)电极阵列进行系统刺激和测量而成熟,通常称为“皮质-皮质间诱发电位”(CCEP)或对于间隔数秒的短脉冲的特殊情况,“单脉冲电刺激”(SPES)。

Google

图 1. 皮质-皮质间诱发电位分析范式。

A:收敛——将一个选定部位(灰色圆圈)的诱发反应与刺激所有其他部位(带有闪电的黄色圆圈)的效果进行比较。对于 N 个电极,这表征了 N 个相互作用。B:发散的——所有位点的时间响应都经过检查和比较,以响应对选定位点的刺激(N 个相互作用)。C:All-to-all——对位点之间的所有 N2 相互作用进行表征。D:预选假设——根据预定义的解剖学或功能假设选择两个位点,并表征它们之间的单向或双向相互作用。E:在收敛范式中,所有从大脑表面电极测量到的反应都与相同的底层层流结构相关,所以每一个测量到的反应形状都暗示了不同类型的输入。F:在发散范式中,对于单个位点的刺激,可以从不同的位点测量出不同形状的反应。这会产生歧义,因为不同形状的反应无法区分 1) 相同类型的输出到达具有不同底层层结构的皮质部位;2) 不同类型的输入到达具有相似层状结构的部位。

Google

图 2. 单脉冲皮质-皮质间诱发电位

A:通过手术将一组脑表面(ECoG)电极放置在脑肿瘤患者的左半球。B:在海马旁回 (PHG) 电极部位测量电压(红色迹线)。C:在整个阵列的相邻电极之间传递双相刺激脉冲(灰色显示每个部位刺激的所有刺激脉冲试验,红色显示平均值)。D:每个刺激脉冲的响应都排列成矩阵Vk(t)。E:平均子组响应 Gn(t)(即来自 PHG 测量位点的 CCEP)显示在被刺激产生它们的两个电极位点之间。

这些方法通常会生成复杂、难以测量的高维数据,这对于人类识别有意义的模式来说是一项艰巨且耗时的任务,但非常适合作为辅助分析工具的 AI 机器学习。因此研究人员为此创造了一种新型的人工智能算法。

研究人员写道:“我们的框架旨在更好地了解大脑的连通性,它基于一个收敛范式,检查一组对刺激的瞬时电压反应,所有这些都是从同一地点测量的。每个反应事件都由刺激部位标记。然后,在该框架内应用一种新算法来识别典型的时间反应基序,我们称之为“基本轮廓曲线”(BPC)。”

Google

图 3. 基本剖面曲线(BPC)的识别技术

从电压矩阵 V 和子组分配 k ∈ n 中提取 BPC 的一系列步骤的图示。A:在刺激对子组自我预测中(所有试验都相互预测)。B:子组间交叉投影。C:刺激对子组11、S11、m 的交叉投影和自投影集的图示。

Google

图4所示。基本轮廓曲线的投影

A:每个 BPC Bq 对其集群中的单个试验的贡献可以根据标量乘数和残余噪声 εk(图示为试验 238)来量化。B:我们的示例案例中的 3 个 BPC。C:BPC 的空间表示,颜色编码,直径和颜色强度表示大小(组平均信噪比)。白色圆圈显示实际电极位置,BPC 投影幅度位于两个受激电极位置的空间平均值处。每个 BPC 分布都单独缩放到最大值。灰色表示通过阈值丢弃的站点

研究人员将他们新创建的 AI算法命名为“基本轮廓曲线识别(basis profile curve identification)”。根据研究人员的说法,每条基本轮廓曲线都可以以一种自然的方式,通过量化每个刺激部位的投射强度,映射到基础神经解剖学。

研究人员报告说:“我们的技术已在人类患者体内植入一系列大脑表面电极进行了验证。”“这个框架可以直接解释单脉冲脑刺激数据,并且可以普遍应用于探索构成连接组的各种相互作用环境。”

据研究人员称,他们新的脑机接口AI算法可能有助于指导电极的放置,以帮助治疗脑疾病。

Google

Google

点个在看祝你开心一整天!



以上是关于Google Research等机构提出新的AI算法以了解人脑网络中的电刺激效应的主要内容,如果未能解决你的问题,请参考以下文章

Facebook AI Research (FAIR)

Facebook AI Research (FAIR)

2022年32篇最佳AI论文:DALL·E 2Stable DiffusionChatGPT等入选

阿里安全新研究:给图片打“马赛克”就能骗过 AI 视觉系统

OTFS Research Notes

新华三推出人工智能模型训练平台,让智慧算力触手可及