MEG имеет шлем с 306 датчиками, которые измеряют слабую магнитную активность мозга. MEG позволяет очень быстро собирать большое количество данных: мы можем получить новое измерение MEG 1000 раз в секунду. Компромисс заключается в том, что мы не можем точно определить, из каких областей мозга поступают сигналы. В результате мы используем сигналы от всего мозга. Эти сигналы очень сложные и нам нужны умные способы их анализа.
Мы используем машинное обучение
Отрасль информатики, цель которой - заставить компьютеры изучать сложные задачи, чтобы обнаружить закономерности в наших МЭГ-данных. Мы сделали это, используя MEG на многих людях, пока они смотрели видео с действиями, о которых мы упоминали ранее, чтобы компьютерный алгоритм мог узнать, как выглядит паттерн активности мозга в ответ на каждое действие. Это называется обучением.
Что такое машинное обучение?
Машинное обучение - это отрасль компьютерной науки, целью которой является заставить компьютеры изучать сложные задачи на основе данных. Например, мы могли бы дать компьютеру зеленые и черные точки - эти данные называются данными для обучения. Затем мы можем попросить компьютер найти линию, которая лучше всего их разделяет.
Эта строка называется алгоритмом машинного обучения "классификатор", который используется для решения задач путем разделения данных на различные категории... Затем мы можем использовать ее, чтобы "классифицировать" новые точки данных как зеленые или черные. Эти новые точки данных называются тестовыми (цвета соответствуют цвету учебных данных, но иллюстрируются более светлым оттенком), и компьютер никогда их раньше не видел. Мы можем увидеть, насколько точным является классификатор по количеству тестовых точек, которые он правильно классифицирует. В нашем случае это будет 9 из 10 или 90%. Если бы классификатор делал случайные догадки, то это было бы случайно. В этом случае шанс равен 50% (один из двух), потому что есть два разных класса.
В эксперименте, вместо зеленого против черного, классификатор обучен различать пять действий друг от друга. Шанс в этом эксперименте составляет 20% (один из пяти). Мы повторяем эту тренировочную и тестовую процедуру в каждый момент времени, чтобы получить меру точности классификации с течением времени. Мы используем точность классификации как меру того, могут ли сигналы мозга различать различные категории (зеленый против черного, или бег против ходьбы).Мы повторяем эту процедуру каждый раз, когда получаем новое показание MEG (раз в мс). Это позволяет увидеть, как информация в мозге меняется со временем.
Что мы делаем?
Человеческий мозг быстро распознает действия.
Мы использовали нашу систему машинного обучения, чтобы в каждый момент времени предсказать, какое действие оказывают просматриваемые предметы - бега, ходьба, прыжки, еда или питье. Если точность классификации алгоритма выше шансов, то записанные нами мозговые сигналы содержат информацию, которая может различать действия.
Для начала мы посмотрели видео одного и того же вида (например, только с фронтальной стороны). Перед тем, как видео начнется в момент времени нуля, наш прогноз составляет около 20% (или 1 из 5), то же самое, что и шанс, потому что на экране ничего нет, а классификатор случайным образом угадывает. Как только начинается видео, мы видим резкий рост точности классификатора, указывающий на то, что в мозговых сигналах присутствует информация о действиях. Точность классификатора достигает пика около 40%. Для наших целей, мы заинтересованы в том, когда информация о действии впервые присутствует в сигналах MEG, поэтому мы смотрим в первый раз, когда декодирование значительно выше шансов (на основе статистических тестов). Точность классификатора достигает этого уровня, начиная с 200 мс после начала видео. Это очень быстро, и всего после шести кадров видео.
Тот факт, что мозг может распознавать одни и те же действия с разных точек зрения так же быстро говорит нам о том, что компьютерные системы могут отбрасывать зрительную информацию на ранних стадиях обработки.
Понимание того, как мозг выполняет распознавание действий, является первым шагом на пути к полному пониманию человеческого интеллекта и может направлять развитие лучших систем ИИ.