机构名称：
¥ 1.0
从传入信息的动态和可变流中提取含义是自然和人工智能的主要目标。以深度学习为指导（DL）指导的计算机视觉（CV）在识别特定身份方面取得了长足的进步，尽管属性高度可变。这是神经系统所面临的挑战，并由概念细胞部分解决 - 响应于人体内侧颞叶（MTL）中描述的特定人员/地点，表现出选择性发射。然而，由于这些神经元的稀疏编码，访问代表特定概念的神经元受到限制。但是，可以想象，这种解码所需的信息在相对较小的神经元种群中存在。评估神经元种群在自然环境中编码身份信息的很好，我们记录了来自九个神经外科外科癫痫患者的多个大脑区域的神经元活性，这些患者植入了深度电极，而受试者观看了电视系列“ 24”的情节。首先，我们设计了一种最小监督的CV算法（与手动标记的数据相当的性能），以检测每个帧中最普遍的字符（总体外观高于1％）。接下来，我们实施了DL模型，这些模型使用时间变化的人群神经数据作为输入，并在整个情节中解码了四个主要角色的视觉存在。这种方法使我们能够将“计算机视觉”与“神经元视觉”进行比较 - 与神经元一部分活动中存在的每个字符相关的脚印，并确定有助于该解码过程的大脑区域。然后，我们在电影查看后的识别记忆任务中测试了DL模型，要求受试者识别出插图中的剪辑段。dl模型激活不仅是通过相应字符的存在调节的，而且还通过参与者的主观记忆来调节他们是否看过剪辑段，以及叙事图中字符的关联优势。所描述的方法可以提供新颖的方法来探究随时间不断发展的动态行为任务中概念的表示。此外，结果表明，即使在MTL以外的大脑区域，也只有数十个神经元的人口活动中存在必要的强构概念所需的信息。
通过基于CRISPR的功能基因组学阐明神经元和神经胶质的疾病状态
主要关键词
相关文件推荐
