神经网络激活与人类视觉皮层的γ带活动一致

爱沙尼亚塔尔图大学计算神经科学实验室的研究人员发现，深度卷积神经网络的激活与人类视觉皮层的伽玛带活动一致。他们的研究发表在“ 通信生物学”杂志上，进一步强调了人工智能(AI)扩大对人类大脑理解的潜力。

人类在视觉上识别物体的能力是由沿腹侧流的复杂特征表示的层次结构调节的。过去的研究发现，这些类似于在图像上训练的深度卷积神经网络(DCNN)所学习的变换层次结构。

“从以前的研究中我们知道人类视觉系统的层次结构与DCNN的分层结构之间存在对应关系，”Jaan Aru，Raul Vicente和Ilya Kuzovkin，三位进行该研究的研究人员告诉TechXplore 。“然而，这项研究依赖于神经影像技术，如fMRI和MEG，每种技术都有其自身的局限性。”

MEG成像仅一次捕获大量神经元的平均活动，而fMRI不捕获时间信息。因此，研究人员决定使用直接植入测试对象大脑的颅内电极来收集他们的数据集。该技术可以识别大脑活动何时发生，其解剖位置以及它如何随时间变化。

“这使我们能够更详细地探索控制人类大脑视觉处理的活动，并更准确地描述哪种活动与DCNN的活动有相似之处，”研究人员说。

DCNN是一种用于计算机视觉的机器学习算法，其在对象识别任务上表现尤其出色。它们的关键特征是它们获取自动分类对象的规则，而无需人工工程师概述它们。

在训练期间，DCNN在数千个物体图像(例如猫，树，汽车等)上进行训练，学习区分每个类别的视觉特征。然后，算法可以正确识别之前从未遇到的图像中的对象，准确率高达95%。

“DCNN由人工神经元层组成，每层对图像执行某些操作，然后将信息发送到下一层，”研究人员说。“在训练期间，算法形成关于将什么信息发送到上层以及何时发送的规则。”

最近的研究调查了DCNN学到的确切模式和特征。他们发现，当人们更深入地潜入其层时，其神经元所代表的视觉模式变得越来越复杂。

“第一层负责检测直线，亮度变化和其他简单的视觉特征，”研究人员解释说。“这些信息被传递到第二层，它结合了简单的特征来构建可以识别简单形状的探测器。因此它逐步发展，每层变得越来越抽象，高层神经元代表整个物体，如猫，我们知道在人类视觉皮层中观察到一种非常相似的现象，所以显而易见的问题是：这两种系统有多相似，它们的相似之处是什么?

在测量大脑的电响应时，研究人员观察到复杂的活动模式。这些模式根据其频率分组：alpha(每秒8到14次)，beta(15到30 Hz)，gamma(从30到70 Hz)，高gamma(超过70 Hz)和其他波段。已发现这些频带取决于不同类型的活动。例如，当人类放松时，α更强，而在积极参与任务期间，β和γ增加。

“我们发现低γ(30到70 Hz)和高γ(70到150 Hz)的活动最好与DCNN中发生的活动一致，这表明大脑中那些频率发生的事情与DCNN最相似正在做，“研究人员说。

这些发现与之前的研究结果一致，突出了伽玛活动对物体识别的重要性。在将来，它们可以帮助更好地理解在视觉处理期间由伽马频率信号反射的精确计算。

“对神经科学的最终探索是了解大脑如何编码，存储和传输信息以及数十亿神经元的发射如何导致复杂的心理过程，例如理解文本或将其传达给朋友，”研究人员说。“这项工作提供了这个巨大难题的另一部分，并强调了AI算法在理解人类大脑中可以发挥的重要作用。”

塔尔图大学的计算神经科学实验室并排研究生物学和人工学习系统，因为比较它们可能会带来迷人的生物学发现。研究人员正在开展另外两个项目，这些项目将成为库佐夫金博士论文的核心。

“在其中一个项目中，我们将研究一种算法的内部运作，我们训练这些算法来理解人类大脑数据;探索它认为对最终任务有用的大脑活动以及它丢弃的大脑活动。这将提供一种工具，可以进行大量活动并过滤掉与特定心理任务相关的部分。“