Новые публикации сотрудников
mod_banner_nomination2026
Информация для сотрудников

декодирование нейронной активности

  • ИИ превращает мозговые волны в произнесенные слова

    Исследователям из Университета Радбауд и UMC Утрехта удалось преобразовать сигналы мозга в слышимую речь. Декодируя сигналы мозга с помощью имплантатов и искусственного интеллекта, они смогли предсказать слова, которые люди хотели сказать, с точностью от 92 до 100%. По словам ведущего автора Юлии Березуцкой исследование указывает на многообещающее развитие в области интерфейсов «мозг-компьютер». Березуцкая и ее коллеги использовали мозговые имплантаты у пациентов с эпилепсией, чтобы понять, о чем думают люди.

    “Direct speech reconstruction from sensorimotor brain activity with optimized deep learning models” by Julia Berezutskaya et al. Journal of Neural Engineering

  • Репрезентация внутренней речи нейронами супрамаргинальной извилины человека.

    Речевые интерфейсы «мозг-машина» (BCI) преобразуют сигналы мозга в слова, позволяя общаться людям, потерявшим речевые способности из-за болезней или травм. Несмотря на то, что были достигнуты важные успехи в декодировании вокализованной речи, результаты чтения внутренней речи еще не достигли высокой функциональности. Примечательно, что до сих пор неясно, из каких областей мозга можно декодировать внутреннюю речь. Исследовали двух пациентов с тетраплегией с имплантированными массивами микроэлектродов, расположенными в супрамаргинальной извилине (SMG) и первичной соматосенсорной коре (S1), которые слушали и воображали вокализованную речь из шести слов и двух псевдослов. У обоих участников обнаружили значительную нейронную репрезентацию внутренней и вокализованной речи на уровне отдельных нейронов и популяции в SMG. Судя по зарегистрированной активности нейронных популяций в SMG, воображаемые слова были в значительной степени декодируемы. При автономном анализе достигли средней точности декодирования 55% и 24% для каждого участника соответственно (уровень вероятности 12,5%), а во время онлайн-задачи внутренней речи мы получили в среднем точность 79% и 23% соответственно. Доказательства общих нейронных представлений между внутренней речью, чтением слов и вокализованными речевыми процессами были обнаружены у 1 пациента в SMG, который представлял слова, а также псевдослова, что свидетельствует о фонетическом кодировании. Кроме того, наш декодер достиг высокой классификации благодаря множеству внутренних речевых стратегий (слуховое воображение/визуальное воображение). Активность в S1 модулировалась вокализованной, а не внутренней речью у обоих участников, что позволяет предположить, что во время производства внутренней речи не происходило никаких артикуляционных движений речевого тракта. Эта работа представляет собой доказательство концепции высокопроизводительного BCI для внутренней речи.

    https://doi.org/10.1038/s41562-024-01867-y

  • Комплексный подход глубокого обучения к классификации поведения мышей на основе визуализации кальция по всей коре

    Исследователи из Университета Кобе научили алгоритм компьютерного зрения предсказывать, движется мышь или нет, по данным функциональной визуализации мозга
    Глубокое обучение — мощный инструмент нейронного декодирования, широко применяемый в системной нейробиологии и клинических исследованиях. Интерпретируемые и прозрачные модели, которые могут объяснить нейронное декодирование предполагаемого поведения, имеют решающее значение для выявления основных особенностей декодеров глубокого обучения в активности мозга. В этом исследовании изучается эффективность глубокого обучения для классификации поведенческих состояний мышей на основе данных мезоскопической визуализации кальция в коре головного мозга. Сквозной декодер на основе сверточной нейронной сети (CNN) в сочетании с рекуррентной нейронной сетью (RNN) классифицирует поведенческие состояния с высокой точностью и устойчивостью к индивидуальным различиям во временных масштабах до нескольких секунд. Используя декодер CNN-RNN, было определено, что области передних и задних конечностей в соматосенсорной коре головного мозга вносят значительный вклад в поведенческую классификацию. Выявленные результаты подразумевают, что сквозной подход потенциально может стать интерпретируемым методом глубокого обучения с беспристрастной визуализацией критических областей мозга.
    «Это исследование закладывает основу для дальнейшего совершенствования интерфейсов мозг-компьютер, способных декодировать поведение практически в режиме реального времени с использованием неинвазивной визуализации мозга», — считают авторы.
     
    End-to-end deep learning approach to mouse behavior classification from cortex-wide calcium imaging by Takehiro Ajioka, et al in PLOS Computational Biology. Published March 2024 https://doi.org/10.1371/journal.pcbi.1011074