Наша географияЗаявка на членство+7 916 848-78-01info@rusneuro.net
О НейроНетеНаша миссияЧлены союзаНовостиПресс-центрДокументыАрхивКонтакты
Новости / Обзор новостей нейротехнологий 10.06.17-16.06.17
Новости
16.06.2017

Обзор новостей нейротехнологий 10.06.17-16.06.17

Измерение стресса с помощью ЭЭГ

“Independent Component Analysis and Source Localization on Mobile EEG Data Can Identify Increased Levels of Acute Stress” | Frontiers in Human Neuroscience | doi: 10.3389/fnhum.2017.00310

 

трекинг состояний

 

Мобильный ЭЭГ интерфейс способен уловить, что человек находится в состоянии стресса. Это показали нейробиологи Мичиганского университета вместе с сотрудниками Абердинского испытательного полигона армии США. Они провели испытания с одиннадцатью добровольцами, которые упражнялись в стендовой стрельбе из винтовки. Стресс стрелкам обеспечили сами авторы исследования, направляя винтовку на них. Разработанный авторами независимый анализ компонентов ЭЭГ с локализацией источника служил в качестве маркера стресса.

 

В ходе экспериментов никто не пострадал -- использовались винтовки для страйкбола. Но угроза даже такого выстрела вызывает в организме реакцию стресса. Это легко установили с помощью трех известных методов: снятия сердечных сокращений, кожно-гальванической реакции и замеров уровня кортизола в слюне. Далее авторы поставили задачу поймать то же стрессовое состояние другим способом, с помощью шлема ЭЭГ на свободноподвижном человеке.

 

 

Испытуемый стреляет по мишени. На нем 128-канальный ЭЭГ шлем, на запястье браслет для измерения сопротивления кожи, на груди электроды для снятия пульса. Экспериментатор делает вид, что целится стрелку в ноги.

 

В контрольном эксперименте участники делали по 50 выстрелов по мишени. После отдыха они вновь выходили на позицию, только в этот раз в 9 метрах от стрелка вставал экспериментатор и стрелял в цель, на пути которой оказывался стрелок. Его предупредили, что могут случайно попасть ему в ногу, но он должен сосредоточиться на своей задаче и стрелять строго по мишени. Мониторинг физиологических параметров показал, что во второй попытке уровень стресса людей был заметно выше.

 

Данные ЭЭГ, синхронные с физиологическими измерениями, затем обрабатывались алгоритмами EEGLAB, очищались от шума и артефактов. Авторы нашли, что в момент стресса снижалась альфа-активность в дорсолатеральной префронтальной коре и снижалась синхронизация тета ритмов. Они выделили пять кластеров в дорсолатеральной префронтальной коре и показали, что активность мозга в этих областях содержит информацию, которая в реальном времени отражает острый уровень стресса.

 

 

Навигация для клеточной электрофизиологии с помощью робота

“Robotic navigation to sub-cortical neural tissue for intracellular electrophysiology in vivo” | Journal of Neurophysiology | doi: 10.1152/jn.00117.2017

 

 

имиджинг

 

Биоинженеры из Технологического института Джорджии, а также Массачусетского технологического института разработали метод автоматизированной локальной фиксации потенциала (пэтч-кламп). В биологии пэтч-кламп используют для изучения свойств ионных каналов. Фрагмент клеточной мембраны изолируют, вплотную прилагая к нему специальную микропипетку, она позволяет контролировать разность потенциалов между сторонами мембраны. Авторы показали, как эту процедуру на живом мозге может делать робот.

Когда нужно провести измерения в нескольких местах мелкого участка нервной ткани, пипетку приходится не единожды перемещать на несколько микрон, и её кончик загрязняется чаще всего из-за попадания в капилляры и сосуды. Это мешает измерениям. Пэтч-кламп требует сноровки, от того чаще применяется на срезах ткани (in vitro), нежели в живом организме (in vivo). Авторы придумали, как обнаружить сосуды in vivo, сведя к минимуму их разрыв. Силу ввода пипетки и её перемещение контролирует компьютер, делая замеры электрического сопротивления ткани. Так удается избежать попадания в сосуды и получить на глубине 3 мм ту же четкость измерений, что получали прежним методом на глубине 1 мм.

При вводе пипетки в ткань сопротивление измерялось путем применения квадратной волны с амплитудой 20 мВ и частотой 128 Гц, расчет сопротивления делался по закону Ома. Пипетка опускалась до тех пор, пока сопротивление наконечника не возрастало на 12,5% от изначального. Рост сопротивления, как авторы установили в опытах на срезах, связан с препятствием на пути пипетки в виде кровеносных сосудов. В этом случае пипетка отводилась вверх на 50 мкм и затем вводилась в новое случайное место на 30 мкм дальше, а сопротивление наконечника снова измерялось. Процесс выполнялся многократно, и так робот не только выполнил все заданные пэтч-кламп измерения, но и заодно построил карту сосудов в участке ткани.  

 

 

Алгоритм избегания сосудов [1] Препятствие (кровеносный сосуд) обнаруживается как рост сопротивления на конце. [2] Пипетка вынимается, [3] передвигается в сторону, [4] вводится вновь. Если разница в сопротивлении у сосуда и в месте уклонения <200 кОм, [5] пипетка еще продвигается вглубь и [6] возвращается к исходной оси, изгибая сосуд.

 

Препятствия на пути пипетки встречались в 95% попыток, их удалось избежать, и в области таламуса мыши авторы провели пэтч-кламп с тем же качеством, с каким раньше делали это в коре. Они уверены, что все подкорковые ядра доступны теперь для этого метода и отмечают, что им известны лишь семь работ по цельноклеточной записи потенциалов на глубинах 3 мм и выше. С помощью робота задача стала проще, и количество экспериментов прибавится.

 

 

В мозге открыли пространства высокой размерности

“Cliques of Neurons Bound into Cavities Provide a Missing Link between Structure and Function” | Front. Comput. Neurosci. | doi: 10.3389/fncom.2017.00048

 

математические модели мозга

 

Применив по-новому алгебраическую топологию в нейронауке, команда проекта Blue Brain Project показала, что мозг работает в логике многомерных структур. Эти структуры возникают, когда группы нейронов образуют “клики”, подмножества вершин графа, любые две из которых соединены ребром. Каждый нейрон соединяется со всеми другими нейронами в группе очень специфическим образом, генерируя точный геометрический объект. Чем больше нейронов в клике, тем размерность объекта выше. В крошечном участке мозга авторы математически выделяют десятки миллионов таких структур, вплоть до структур с семью и даже одиннадцатью измерениями.

 

Авторы взяли полученную ими в 2015 году цифровую копию части неокортекса и описали её с учетом направления синаптической передачи. Они построили сетевые графы, которые отражают вектор потока информации, и проанализировали их с помощью алгебраической топологии. Так они открыли в нейросетях сложные высокоразмерные структуры. Эксперименты с симуляцией показали, что при обработке новой порции данных в мозге собираются клики все большей размерности, образуя полости со сложной топологией, которые затем разрушаются.

 

 

Слева цифровая копия части неокортекса, справа структуры разной размерности. «Черная дыра» посередине обозначает комплекс многомерных пространств-полостей. Группы нейронов, связанных в такие полости, обеспечивают связь между нейронной структурой и функцией.

 

По мнению авторов, опыты показали, что нейронные сети реагируют на стимулы чрезвычайно организованным образом. Мозг словно строит в топологическом пространстве объекты сложных геометрий, размерность которых последовательно растет от 1D, 2D, 3D и так далее. Затем вся сложность рассыпается. Модель проверили и подтвердили in vitro на срезах коры мозга, где в сети из 55 нейронов удалось обнаружить структуры из трех и один раз четырех измерений.

 

Идея работы в том, что обработка входного сигнала в мозге идет через быстрое связывание нейронов в структуры с возрастающей размерностью и их последующее разрушение. В ответ на раздражитель коррелированная активность объединяет синаптически связанные нейроны в клики и полости, которые последовательно эволюционируют к максимальной сложности. Так называемые клики отражают важные параметры входного сигнала, а возникающие полости-пустоты представляют ассоциации между параметрами.

 

Архитектура фотонного чипа для глубокого обучения

“Deep learning with coherent nanophotonic circuits” | Nature Photonics | doi:10.1038/nphoton.2017.93

 

глубокое обучение

 

Инженеры из Массачусетского технологического института предложили новую архитектуру для вычислений, которая повысит скорость и эффективность глубокого обучения нейросетей. В отличие от компьютеров, которые вычисляют с помощью электричества, новая схема использует свет. Оптический чип на новой архитектуре сможет вычислять типичные алгоритмы искусственного интеллекта намного быстрее и затрачивая в тысячу раз меньше энергии на операцию по сравнению с электронным чипом.

Авторы отмечают, что сегодня архитектуры неэффективны при работе с нейронными сетями, поскольку большая часть “железа” была разработана для вычислительных схем фон Неймана. При глубоком обучении часть задач сводится к многократному перемножению матриц, что затратно в плане вычислений для типичных процессоров. В MIT придумали, как выполнять эти операции оптически. Чип, созданный по новой схеме, смог бы провести матричное умножение почти с нулевым расходом энергии и почти мгновенно.

 

 

 

а. Микрофотография изготовленного блока оптической интерференции; система действует как оптически программируемая логическая матрица. б. Схема программы нейронной сети, которая реализует умножение матриц и усиление полностью оптически. с. Иллюстрация однофазного сдвига в интерферометре Маха-Цендера (MZI) и кривая пропускания для настройки внутреннего фазовращателя MZI.

 

Даже линза очков выполняет на проходящих сквозь нее световых волнах сложный расчет, так называемое фурье-преобразование светового поля. Фотонный чип вычисляет сложнее, но по сходному принципу. Он использует набор световых лучей, направленных таким образом, что их волны взаимодействуют и создают интерференционные паттерны, которые сообщают результат операции. Свое устройство авторы называют программируемым нанофотонным процессором.

Нанофотонный процессор использует массив световодов, они взаимосвязаны и могут перенастраиваться под задачу.  Так можно программировать набор лучей для конкретного вычисления. Авторы предлагают создать чередующиеся слои устройств, которые вместе выполнят операцию нелинейной функции активации, по аналогии с работой нейронов в мозге. Для демонстрации идеи инженеры собрали нанофотонный процессор с каскадным массивом из 56 интерферометров для нейронной сети, которая распознает четыре основных гласных звука. Даже с такой рудиментарной системой они достигли 77-процентного уровня точности. В планах -- довести идею до настоящего устройства.

 

 

Обучение ИИ на основе предпочтений человека

“Deep reinforcement learning from human preferences” | arXiv:1706.03741
 

искусственный интеллект

 

Программисты компании DeepMind разработали алгоритм, который учится решать задачу, опираясь на мнение человека. Программа ничего не знает о целевой функции, но предлагает оценщику выбор из двух вариантов своего поведения. Человек указывает, какой вариант лучше, и на серии таких выборов алгоритм строит свой прогноз о том, что делать дальше. Так можно быстро обучить систему приходить к решению, не прописав задачу прямо.

Системы машинного обучения с обратной связью от людей изучались и раньше, но в DeepMind развили этот подход, чтобы работать над более трудными целями. Алгоритму потребовалось 900 бит обратной связи, чтобы в виртуальном пространстве научить конструкцию из четырех блоков делать обратный кувырок. Задача кажется простой, но ее сложно определить явным образом, зато легко оценить.

 

 

 

Учебный процесс идет как трехэтапный цикл: обратная связь от человека, понимание агентом цели и обучение с подкреплением.

 

Агент начинает случайно действовать в виртуальной среде. Периодически он дает человеку два видеоролика своего поведения, и человек решает, какой из двух ближе к цели, в данном случае, кувырку. Так агент постепенно строит модель цели, находя функцию вознаграждения, которая наилучшим образом объясняет суждения человека. Затем он использует обучение с подкреплением, чтобы узнать, как этой цели достичь. По мере того как поведение агента улучшается, он продолжает запрашивать обратную связь по тем траекториям движения, где менее уверен. Так агент дальше совершенствует свое понимание цели (видео).

 

Метод также протестировали по ряду задач в симуляциях робототехники и играх Atari без доступа к функции вознаграждения, например, в случае Atari агент не знал свой текущий игровой балл. Во многих средах отзывов оценщика хватило, чтобы агент добился высоких результатов, иногда превосходя результат человека в этой среде. Авторы считают, что есть много случаев, когда обратная связь от человека позволяет сообщить цель агенту более интуитивно и быстро, чем если прописывать ее вручную.

20.04.2018Обзор новостей нейротехнологий 16.04.18 - 20.04.18

Самые актуальные новости за неделю

Подробнее
19.04.2018«АКАДО Телеком» и лаборатория МФТИ будут развивать технологии искусственного интеллекта

«АКАДО Телеком» и Московский физико-технический институт (МФТИ) подписали  соглашение о стратегическом партнерстве в области развития искусственного интеллекта

Подробнее
18.04.2018Объявлены номинанты BCI Award 2018

Впервые в шорт-лист вошел проект с ведущим российским участием

Подробнее
17.04.2018В Москве открылась площадка нейротехнологий NeuroHub

В начале апреля в Москве состоялось открытие NeuroHub – новой площадки для развития проектов в области нейротехнологий

Подробнее
13.04.2018Обзор новостей нейротехнологий 09.04.18 - 13.04.18

Самые актуальные новости за неделю

Подробнее
12.04.2018Аспирин не эффективен для каждого третьего россиянина и может быть опасен для каждого седьмого

В результате нового исследования, научные сотрудники Genotek выяснили, что 30% россиян являются носителями хотя бы одного генетического маркера, при котором лечение аспирином в рекомендованных дозировках неэффективно

Подробнее
10.04.2018Фонд содействия инновациям профинансирует 250 проектов в рамках НТИ на сумму 3 млрд рублей

Фонд содействия инновациям объявляет о начале сбора заявок по конкурсам, направленным на поддержку реализации планов мероприятий Национальной технологической инициативы («дорожных карт» НТИ).

Подробнее
9.04.2018«Нейроботикс» проводит испытание нейротренажера

6 апреля 2018 года компания «Нейроботикс» совместно с партнером «Клинический центр медицинской реабилитации» начали испытания нейротренажера, направленного на восстановление двигательной активности кисти у пациентов после инсульта.

Подробнее
6.04.2018«Уральский Нейронет-центр» начнет свою работу летом 2018 года

4 апреля отраслевой союз «Нейронет» и Уральский федеральный университет имени Б.Н. Ельцина подписали соглашение о создании Нейронет-центра на базе университета.

Подробнее
6.04.2018Обзор новостей Нейротехнологий 02.04.18 - 06.04.18

Самые актуальные новости за неделю

Подробнее
3.04.201829 марта 2018 года в Москве прошла IV Международная практическая конференция по робототехнике РобоСектор-2018

Тематика конференции в этом году была посвящена такому важному вопросу, как интеграция людей и роботов

Подробнее
30.03.2018Обзор новостей нейротехнологий 23.03.18 - 30.03.18

Самые актуальные новости за неделю

Подробнее
30.03.2018Опубликованы записи выступлений на Третьей международной конференции BCI: Science and Practice. Samara 2017

Среди спикеров конференции, состоявшейся в 2017 году, - российские и зарубежные ученые с мировыми именами.

Подробнее
27.03.2018Созданный в СамГМУ нейротренажер будут производить на предприятии ИМЦ концерна «Вега»

В рамках закрепленных соглашением договоренностей в серийное производство будет передана линейка созданных в вузе разработок по нейрореабилиатации, в том числе, нейротренажер для реабилитации людей после инсульта ReviVR и игровой нейротренажер для детей с ДЦП.

Подробнее
27.03.2018Отраслевой союз «Нейронет» и ВолгГТУ подписали соглашение о сотрудничестве

Отраслевой союз «Нейронет» и Волгоградский государственный технический университет договорились о сотрудничестве. Соответствующее соглашение стороны подписали 22 марта.

Подробнее
123242, г. Москва, Малый Конюшковский пер., д. 2, оф. 17