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.