Escoltar

Neuroinspiració per al reconeixement de patrons

El reconeixement de patrons és una tasca cognitiva que als humans ens va especialment bé. Identificar un estímul visual o auditiu (i poder actuar en conseqüència) és una qualitat imprescindible per a la supervivència dels éssers vius. Tenint això present, és natural pensar que qualsevol model neuronal l’objectiu del qual sigui imitar els mecanismes del cervell ha d'incloure aquesta característica en la seva dinàmica.

Un grup d'investigadors, entre els quals es troben científics de l’IFISC (UIB-CSIC), ha publicat un estudi a la revista Frontiers in Neuroscience en el qual proposa un nou model neuronal de detecció capaç d'aprendre i de reconèixer patrons temporals en impulsos. Tant el cervell com el model neuronal proposats basen la seva capacitat d'aprenentatge en la plasticitat. La plasticitat permet regular la intensitat de la connexió entre les neurones de la xarxa. Amb la creació de noves connexions i l'enfortiment d'unes altres s'aconsegueix que les respostes al mateix estímul variïn en el temps, és a dir, que la xarxa neuronal aprengui.

El model neuronal proposat pels investigadors és una variació del conegut i comprovat Leaky Integrate-and-Fire (LIFL), però amb un mecanisme de latència afegit. Aquesta latència introdueix un temps de retard entre l'estímul entrant en la neurona i el senyal de sortida, la qual cosa permet codificar la intensitat del senyal entrant en els temps de resposta i augmentar les capacitats computacionals de la neurona per sobre de la seva versió més simple. Altres característiques similars es troben en xarxes neuronals reals, com són les encarregades del sistema auditiu o del visual. La novetat de l'estudi rau en l'addició d'un altre paràmetre de plasticitat: la xarxa no solament pot ajustar la intensitat de la connexió entre neurones, sinó que, a més, pot ajustar el temps de retard que hi ha entre l’entrada i la resposta.

Per poder testar el model, els investigadors varen armar una xarxa neuronal capaç de reconèixer polsos de patrons i que alhora també podia autoregular-se i aprendre seqüències noves sense supervisió. Varen utilitzar dos tipus de dades per entrenar la xarxa neuronal. D'una banda, varen simular un gran nombre d'estímuls artificials que la xarxa neuronal processava per aprendre’ls i classificar-los. De l'altra, també varen utilitzar dades reals de magnetoencefalogrames obtinguts de subjectes experimentals mentre feien una tasca de classificació.

L'estudi conclou que el model proposat és plausible des del punt de vista biològic, i obri, així, la porta a poder entendre més bé la manera com els humans aprenem a partir de seqüències repetides en els nostres sistemes sensorials. Això a banda, la simplicitat i el baix cost computacional del model proposat en l'estudi permetria implementar-lo a gran escala per a futures aplicacions en àrees diverses, com ara en interfícies controlades mitjançant estímuls cerebrals, seguretat biomètrica o en la detecció primerenca de malalties.

Referència bibliogràfica

Susi, G., Tioro, L., Canuet, L., López, M. A., Maestú, F., Mirasso, C. R., i Pereda, E. (2018). Frontiers in Neuroscience, 12. doi: 10.3389/fnins.2018.00780.

Data de publicació: 25/01/2019