معلومة

الأنماط الزمانية المكانية في الشبكات العصبية

الأنماط الزمانية المكانية في الشبكات العصبية


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

اتضح أن عملي في الديناميكيات غير الخطية يرسم مباشرة إلى متغير قريب من نموذج التكامل والنار. ينتج نموذجي أنماطًا زمانية مكانية تشبه الرغوة. يجب أن أؤكد أن هذا هو نتيجة نموذج بسيط للغاية للنشاط العصبي.

تصور المؤامرة أدناه مستويات الجهد لشبكة من الخلايا العصبية. الأصفر مرتفع ، والأرجواني منخفض.

أتساءل هل هذه الأنماط ذات صلة بمجتمع علم الأعصاب الحسابي. تحقيقًا لهذه الغاية ، أبحث عن أدبيات تصف الأنماط الزمانية المكانية في الأنظمة العصبية (ويفضل أن تكون بيولوجية).

أنا مهتم بشكل خاص بأي عمل يقترح مقاييس تميز هذه الأنماط لأن هذا سيسمح بإجراء مقارنة كمية مع نتائجي.

سامحني هل هذا يبدو تافهاً بالنسبة لك ، لكن بعد أن شكلت نظرية الأنظمة المعقدة بذلت قصارى جهدي ولم أجد شيئًا.


لسوء الحظ ، لم ألقي نظرة على هذا النوع من الأدب منذ فترة طويلة ، ولكن إليك بعض الأفكار التي أبدأ بها.

سؤالك حول "الأنماط الزمانية المكانية" للأنظمة العصبية. من أول الأشياء التي تتبادر إلى الذهن التذبذبات العصبية (مثل موجات ألفا). هذا في الأساس يبحث عن وجود "أنماط تردد" في النظام العصبي. هذا يحتوي على كمية هائلة من الأدب.

منهجية أخرى تتبادر إلى الذهن هي نهج الرسم البياني النظري. في جوهرها ، يتم استخدام النشاط الوظيفي أو التشريحي لبناء رسم بياني ، والذي يمكن تحليله للأنماط (أي الخصائص الخاصة للرسوم البيانية للأنظمة العصبية التي ، على سبيل المثال ، مشتركة عبر الأنواع). ورقة واحدة: شبكات الدماغ المعقدة: رسم بياني للتحليل النظري للأنظمة الهيكلية والوظيفية بواسطة Bullmore و Sporns.

بشكل منفصل ، قد أفكر في أدبيات الارتباطات العصبية. بشكل أساسي ، هذا هو تحليل السكان العصبي من خلال فحص بنية الارتباط لأعضائها ، والبحث عن الأنماط داخلها (أي التي تميز كود السكان النظام). ورقتا مراجعة: الارتباطات العصبية وترميز السكان والحساب بواسطة Averbeck وآخرون و قياس وتفسير الارتباطات العصبية بواسطة كوهين وكون. لمراجعة رموز السكان ، انظر معالجة المعلومات برموز السكان بواسطة Pouget et al. هذه الفكرة متعامدة نوعًا ما مع مفهوم ترميز متناثر في الشبكات العصبية ، أكثر انتشارًا في الإدراك الحسي.

آسف إذا كان هذا واسعًا ، ولكن مرة أخرى أشعر أن السؤال واسع جدًا أيضًا. إذا كان لديك المزيد من الأسئلة المحددة ، فيرجى إبلاغي بذلك.


الشبكات العصبية الزمانية المكانية للتعرف على الإجراءات بناءً على فقدان المفصل

يعد التعرف على الإجراءات مشكلة صعبة ومهمة في عدد لا يحصى من المجالات المهمة ، مثل الروبوتات الذكية والمراقبة بالفيديو. في السنوات الأخيرة ، تم تطبيق تقنيات التعلم العميق والشبكة العصبية على نطاق واسع للتعرف على الإجراءات وحققت نتائج ملحوظة. ومع ذلك ، لا يزال من الصعب التعرف على الإجراءات في المشاهد المعقدة ، مثل ظروف الإضاءة المختلفة ، والحركات المماثلة ، وضوضاء الخلفية. في هذه الورقة ، نقدم نموذج الشبكة العصبية الزمانية المكانية مع خسارة مشتركة للتعرف على الأفعال البشرية من مقاطع الفيديو. تتكون هذه الشبكة العصبية الزمانية المكانية من بنيتين أساسيتين متصلتين. الأول عبارة عن شبكة ثنائية الدفق تستخرج ميزات التدفق والمظهر البصري من كل إطار من مقاطع الفيديو ، والتي تميز الإجراءات البشرية لمقاطع الفيديو في البعد المكاني. البنية التحتية الثانية هي مجموعة من هياكل الذاكرة طويلة المدى التي تتبع الشبكة المكانية ، والتي تصف المعلومات الزمنية والانتقالية في مقاطع الفيديو. يقدم هذا الجهد البحثي وظيفة الخسارة المشتركة لتدريب نموذج الشبكة العصبية الزمانية المكانية. من خلال إدخال وظيفة الخسارة ، تم تحسين أداء التعرف على الإجراءات. تم اختبار الطريقة المقترحة مع عينات فيديو من مجموعتي بيانات صعبة. توضح التجارب أن نهجنا يتفوق على طرق المقارنة الأساسية.

هذه معاينة لمحتوى الاشتراك ، والوصول عبر مؤسستك.


سيفوفلوران يغير دوافع الاتصال الوظيفي الزماني المكاني التي تربط شبكات حالة الراحة أثناء اليقظة

خلفية: لم يتم توصيف الأنماط الزمانية المكانية للنشاط العصبي المترابط أثناء الانتقال من اليقظة إلى التخدير العام بشكل كامل. يسمح تحليل الارتباط للتصوير بالرنين المغناطيسي الوظيفي المعتمد على مستوى الدم والأكسجين (fMRI) بتجزئة الدماغ إلى شبكات حالة الراحة (RSNs) ، مع الاتصال الوظيفي الذي يشير إلى نشاط التغاير الذي يقترح التخصص الوظيفي المشترك. قمنا بتحديد استمرارية هذه الارتباطات بعد تحريض التخدير العام لدى متطوعين أصحاء وتقييمنا لطبيعة ديناميكية بمرور الوقت. أساليب: قمنا بتحليل بيانات الرنين المغناطيسي الوظيفي البشري المكتسبة عند 0 و 1.2٪ المجلد سيفوفلوران. تم حساب التباين في النشاط المرتبط بين مناطق الدماغ المختلفة بمرور الوقت باستخدام تصفية كالمان المحدودة. تم بعد ذلك تجميع هذه السلاسل الزمنية في ثمانية أشكال متعامدة باستخدام خوارزمية K-mean ، حيث يكون هيكل النشاط المترابط في جميع أنحاء الدماغ في أي وقت هو المجموع المرجح لجميع العناصر. نتائج: عبر النطاقات الزمنية وتحت التخدير ، ترتبط إعادة تنظيم التفاعلات بين RSNs بقوة الروابط الديناميكية بين أزواج الأعضاء. يستمر التباين في النشاط المرتبط بين RSNs مقارنةً بربط أزواج الأعضاء الفردية من RSNs المختلفة. الاستنتاجات: نظرًا للهيكل الزماني المكاني لإشارات BOLD المرتبطة ، يرتبط فقدان الوعي الناجم عن التخدير بشكل أساسي باضطراب الأشكال ذات القوة المتوسطة داخل وبين أعضاء RSNs المختلفة. في المقابل ، يتم حفظ الأشكال ذات القوة العالية للوصلات ، في الغالب مع أزواج المناطق من تفاعلات RSN داخل حالات اليقظة والتخدير العام للسيفوفلوران.

الكلمات الدالة: كالمان يقوم بتصفية الاتصال الوظيفي الديناميكي في حالة الراحة تحليل التصوير بالرنين المغناطيسي الوظيفي سيفوفلوران.


مقدمة

أدت التطورات الحديثة في تقنيات تسجيل الدماغ إلى التدفق السريع لمجموعات البيانات عالية الدقة المكانية والزمانية لمجموعات عصبية كبيرة [1-4]. أحد التحديات الرئيسية في علم الأعصاب الحديث هو تحديد واستخراج الهياكل والديناميكيات المهمة على مستوى السكان من مجموعات البيانات هذه [5،6]. تقليديا ، تمت دراسة النشاط العصبي بشكل أساسي من منظور التزامن الزمني أو الارتباط ، وكان ربط النشاط العصبي المرتبط بوظائف الدماغ هو المحور الرئيسي للعديد من الدراسات في علم الأعصاب خلال العقدين الماضيين [7،8].

ومع ذلك ، تشير الأدلة المتزايدة إلى أن نشاط الدماغ على مستوى السكان غالبًا ما يتم تنظيمه في أنماط منظمة في كل من المكان والزمان. مثل هذه الأنماط الزمانية المكانية ، بما في ذلك موجات السفر المستوية [9-11] ، والموجات الحلزونية التي تدور حول نقطة مركزية [12-14] ، وأنماط المصدر والغوص التي تتوسع أو تنكمش من نقطة [13 ، 15] ، وأنماط السرج التي هي تشكلت من خلال تفاعل موجات متعددة [13] ، وقد لوحظت في مستويات عصبية مختلفة ضمن تقنيات تسجيل متعددة ، بما في ذلك مصفوفات متعددة الأقطاب [13 ، 16-18] ، تصوير صبغة حساسة للجهد (VSD) [9 ، 12 ، 19] ، وتخطيط كهربية الدماغ (EEG) ، وتخطيط كهربية القلب (ECoG) ، وتخطيط الدماغ المغناطيسي (MEG) ، والتصوير بالرنين المغناطيسي الوظيفي (fMRI) [20-24].

إن الدور الوظيفي لهذه الأنماط الزمانية المكانية هو موضوع بحث نشط: في النشاط التلقائي ، تبين أن أنماط الانتشار تتبع الزخارف الزمنية المتكررة بدلاً من أن تحدث بشكل عشوائي [13 ، 15] ، ويتم افتراضها لتسهيل نقل المعلومات عبر مناطق الدماغ [10]. ، 17] وتنفيذ الحسابات الديناميكية الموزعة [25]. في القشرة الحسية ، يمكن للمنبهات أن تثير أنماط انتشار قابلة للتكرار [9 ، 10 ، 19 ، 26 ، 27] ، ويمكن ربط خصائص هذه الموجات بسمات التحفيز. على سبيل المثال ، يرتبط الطور والسعة للموجات المتنقلة في القشرة الحركية والقشرة البصرية بالوصول إلى الموقع المستهدف [17] ومع حجم المرمى [18] ، على التوالي ، واتجاه انتشار الأنماط المتحركة في القشرة البصرية حساس للبصر. اتجاه الحركة [28]. تشير هذه الدراسات بالتالي إلى أن القدرة على اكتشاف وتحليل هذه الأنماط أمر ضروري للكشف عن الديناميكيات المبدئية للنشاط السكاني العصبي وفهم آليات عمل الدوائر العصبية [15 ، 26 ، 29 ، 30].

في هذه الدراسة ، لاكتشاف التغيرات في الإشارات العصبية التي تحدث عبر كل من المكان والزمان ، نقدم حقول متجه السرعة التي تمثل سرعة واتجاه الانتشار الزماني المكاني المحلي. تتيح لنا حقول المتجهات هذه إنشاء رابط مفاهيمي جديد بين الأنماط الزمانية المكانية في النشاط العصبي والأنماط المعقدة مثل الدوامات أو الدوامات الموجودة في مجال اضطراب السوائل [31-33] ، والتي تتميز فيها هذه الأنماط بالمثل باستخدام حقول السرعة الجزيئات المتحركة الأساسية. يتم حساب حقول متجه السرعة في طرقنا من خلال تكييف طرق تقدير التدفق البصري التي تم تطويرها في الأصل في مجال رؤية الكمبيوتر [34]. تم تطبيق تقنيات التدفق البصري سابقًا لتحليل نشاط الدماغ [13،26-28] ، ولكن هنا نوسع هذه الأساليب للنظر في اتساع ومرحلة الإشارات العصبية المتذبذبة ، مما يسمح بإجراء تحليل شامل للأنماط الزمانية المكانية العصبية. عندما يتم بناؤها من مرحلة التذبذب ، فإن حقول متجه السرعة تشبه من الناحية المفاهيمية حقول متجه التدرج الطوري كما هو مستخدم غالبًا في الدراسات السابقة [15 ، 18]. ومع ذلك ، توفر حقول متجه السرعة أساسًا مفاهيميًا لنا لتكييف الأساليب من الاضطراب لتطوير إطار منهجي موحد لتحليل الأنماط الزمانية المكانية العصبية.

نوضح أنه من خلال فحص النقاط الحرجة في حقل متجه السرعة (وتسمى أيضًا "النقاط الثابتة" أو "نقاط التفرد") ، حيث تكون السرعة المحلية صفرًا [35] ، أنواعًا مختلفة من الأنماط الزمانية المكانية بما في ذلك الموجات الحلزونية ("البؤر") يمكن اكتشاف أنماط المصدر / الحوض ("العقد") والسروج. بالإضافة إلى أنماط الموجات المعقدة هذه ، يمكن للأنظمة العصبية أن تعرض موجات تزامن واسعة النطاق وموجات متنقلة مستوية. هذه الأنواع من النشاط شائعة في العديد من الأنظمة الفيزيائية والبيولوجية ، ويمكن اكتشافها عن طريق إدخال معلمات النظام العالمي المحسوبة من حقول متجه السرعة [36]. تتيح هذه الطرق بالتالي الكشف التلقائي عن مجموعة متنوعة من الأنماط الزمانية المكانية بعد اختيار المعلمات التي يحددها المستخدم ، وتناقش هذه المعلمات بالتفصيل في الأساليب والمواد.

بصرف النظر عن اكتشاف هذه الأنماط ، يمكن أن توفر أساليبنا تحليلًا منهجيًا لديناميكيات الأنماط بما في ذلك مسارات تطورها وأوضاعها الزمانية المكانية الكامنة التي تعرض سمات مكانية وزمنية جوهرية وغير قابلة للفصل ، وبالتالي توفير بديل جديد لتقنيات تقليل الأبعاد الحالية التي تفصل بدلاً من ذلك المكان والزمان المكونات [6]. نحن نتحقق من فعالية جميع الأساليب وتنفيذها في صندوق الأدوات من خلال مناهج متعددة. باستخدام البيانات التركيبية مع نشاط النمط المعروف ، نظهر أن اكتشاف النمط الزماني المكاني دقيق وموثوق به حتى في الظروف الصاخبة. نقوم بعد ذلك بتحليل الإمكانات الميدانية المحلية من المصفوفات متعددة الأقطاب في القشرة البصرية للمارموسيت وبيانات التصوير البصري للدماغ بالكامل من قشرة الفأر لاختبار إطارنا المنهجي عبر طرائق وأنواع ومقاييس عصبية مختلفة. نجد أن خصائص النمط بما في ذلك الموقع واتجاه الانتشار يتم تعديلها بواسطة التحفيز البصري ، وأن الأنماط تتطور على طول المسارات الهيكلية بعد التحولات المفضلة.


الأنماط الزمانية المكانية ذات التوقيت الدقيق للنشاط العصبي في الثقافات القشرية المنفصلة

وقد لوحظت أنماط متكررة من النشاط العصبي ، وهي ركيزة محتملة لكل من نقل المعلومات والتحول في الشبكات القشرية ، في الدماغ السليم وفي شرائح الدماغ. هل تتطلب هذه الأنماط الدوائر الدقيقة القشرية الكامنة في مثل هذه المستحضرات أم أنها خاصية عامة للشبكات العصبية ذاتية التنظيم؟ في شبكات الخلايا العصبية القشرية المنفصلة عن الجرذان - والتي تفتقر إلى دليل على البنية القشرية الجوهرية للدماغ - لاحظنا مجموعة قوية من الأنماط الزمانية المكانية المتكررة للنشاط العصبي ، باستخدام خوارزمية مطابقة القالب التي نجحت في كل من الجسم الحي وفي شرائح المخ. تكون الأنماط المرصودة في شبكات أحادي الطبقة المستزرعة مستقرة خلال دقائق من التسجيل خارج الخلية ، وتحدث خلال تطور الثقافة ، وتكون دقيقة مؤقتًا في غضون أجزاء من الثانية. إن تحديد هذه الأنماط في الثقافات المنفصلة يفتح طريقًا منهجيًا قويًا لدراسة مثل هذه الأنماط ، واستمرارها على الرغم من إعادة الترتيب الطوبولوجي والمورفولوجي للانفصال الخلوي هو دليل آخر على أن الأنماط المحددة التوقيت بدقة هي ميزة عالمية ناشئة للشبكات العصبية ذاتية التنظيم. .

الأرقام

طرق الخلط. (أعلى) تبديل السنبلة ...

طرق الخلط. (أعلى) يحافظ تبديل السنبلة على توزيع مجموعة البيانات ذات التوقيت المفاجئ وتوزيع الأقطاب الكهربائية. ...

التسلسلات ذات التوقيت الدقيق للعصبية ...

تتكرر التسلسلات المحددة التوقيت بدقة للنشاط العصبي تلقائيًا في شبكات من القشرية المنفصلة ...

خصائص التسلسلات المكتشفة. (أ)…

خصائص التسلسلات المكتشفة. (أ) رسم بياني للأوقات بين تكرار التسلسل من هؤلاء ...

تتكرر التسلسلات بشكل متكرر في ...

تتكرر التسلسلات بشكل متكرر في البيانات الفعلية من الثقافات التي تتراوح أعمارها بين 21 DIV مقارنة بـ ...

تتكرر التسلسلات بشكل متكرر في ...

تتكرر التسلسلات في البيانات الفعلية أكثر من تكرارها في البيانات المختلطة عند 35 ...

استمرار التسلسلات المكتشفة. ال…

استمرار التسلسلات المكتشفة. تم البحث عن التسلسلات الثلاثة الأكثر تكرارًا في ...

توزيع أحجام التسلسل ...

يخضع توزيع أحجام التسلسل لتوزيع احتمالية لقانون القدرة. عندما…

نα ، أين ن هو حجم الحدث ، ص(ن) هو معدل حدوثه الطبيعي في مجموعات البيانات لدينا ، و α هو الأس لقانون القوة. في مخططات اللوغاريتمات والسجلات ، مثل هذه ، تظهر قوانين القوة الرسومية خطية ، مع ميل α. للتسلسلات المرصودة في البيانات الفعلية α = −3.1 ± 0.2 (± 95٪ CI ، R 2 = 0.97 A). ومع ذلك ، نجد ثباتًا مشابهًا للمقياس في مقايضة السنبلة (α = −3.2 ± 0.2 ، R 2 = 0.97 B) والبيانات المتقطعة (α = −3.3 ± 0.2 ، R 2 = 0.97 درجة مئوية) ، مما يقلل من أهمية ثبات المقياس في شرح أنماطنا المتكررة بشكل ملحوظ.


بنية معقدة مكانية زمانية لنشاط الدماغ البشري

يعمل الدماغ البشري في شبكات وظيفية واسعة النطاق ، مصنفة بشكل جماعي على أنها الشبكة العصبية الوظيفية 1-13. بدأ العمل الأخير في الكشف عن تنظيم الشبكة العصبية ، بما في ذلك الديناميات الزمنية لحالات الدماغ 14-20 ، والمفاضلة بين الفصل والتكامل 9 ، 15 ، 21-23 ، والتسلسل الهرمي الوظيفي من أحادي النظام من المستوى الأدنى إلى المستوى الأعلى. -نظم معالجة ترانسودال 24-27. ومع ذلك ، لا يزال من غير المعروف كيف يتم دمج خصائص الشبكة هذه في الدماغ وما إذا كانت تنبثق من أساس عصبي مشترك.

نحن هنا نطبق تقديرًا تم حله بمرور الوقت لتعقيد إشارة الدماغ للكشف عن مبدأ موحد لتنظيم الدماغ ، وربط الشبكة العصبية بالتغير العصبي 6،28-31. باستخدام التصوير بالرنين المغناطيسي الوظيفي (fMRI) ، نظهر أن النشاط العصبي يتميز ب "قطرات التعقيد" العفوية التي تعكس نوبات زيادة انتظام النمط في الدماغ ، وأن الاتصالات الوظيفية بين مناطق الدماغ هي تعبير عن مشاركتها المتزامنة في مثل هذه الحلقات . علاوة على ذلك ، فإن قطرات التعقيد هذه تنتشر في كل مكان على طول التسلسلات الهرمية القشرية ، مما يشير إلى أن الدماغ يكرر جوهريًا بنيته الوظيفية الخاصة. على الصعيد العالمي ، يتجمع النشاط العصبي في حالات التعقيد الزمني التي تشكل ديناميكيًا قوة الاقتران وتكوين الشبكة العصبية ، وتنفيذ إعادة تفاوض مستمرة بين الفصل الفعال من حيث التكلفة والتكامل المعزز للاتصالات 9 ، 15 ، 21 ، 23. علاوة على ذلك ، تحل حالات التعقيد الارتباط المكتشف حديثًا بين التسلسلات الهرمية للشبكات التشريحية والوظيفية بشكل شامل. أخيرًا ، يعد تعقيد إشارات الدماغ شديد الحساسية للعمر ويعكس الاختلافات بين الأفراد في الإدراك والوظيفة الحركية. باختصار ، نحدد بنية التعقيد الزماني المكاني للنشاط العصبي - "مركب" وظيفي يؤدي إلى تنظيم شبكة الدماغ البشري.


4 الخاصية المكانية والزمانية لشبكات SNN

يقدم هذا القسم خصائص الشبكة العصبية المتصاعدة ويصور عدم وجود هذه الخصائص في مستخلصات ميزة ANN. كما يقدم حالات الاختبار المصممة لفحص الخصائص المكانية والزمانية للشبكات NN بالتفصيل.

4.1 المطالبة

الشكل 2: حالات الاختبار المصممة لتحدي خصائص الاستخراج المكاني والزماني. الصور الأساسية مشتقة من مجموعة بيانات MNIST. ينتمي اثنان من صفوف الصور العلوية إلى test1 (تكبير من 0٪ إلى 100٪ وتصغير من 100٪ إلى 0٪) ، الصفان الموجودان في الصفين الثالث والرابع ينتميان إلى الاختبار 2 (360 درجة على مدار الساعة والعداد تناوب على مدار الساعة من 0 درجة إلى 360 درجة والعكس بالعكس) ، ينتمي الصفان في الصفين الخامس والسادس إلى test3 (تكبير من 50٪ إلى 100٪ وتصغير من 100٪ إلى 50٪) ، الصور في الصف السابع تنتمي إلى test4 (انسداد) وينتمي الصفان الأخيران في الأسفل إلى test5 (دوران عشوائي على مدار الساعة وعكس عقارب الساعة)

إن بنية الشبكات العصبية المتصاعدة تشبه إلى حد بعيد الدماغ البشري ، وميزة هذه الشبكات هي الذاكرة الموجودة لكل خلية عصبية. هذه الذاكرة هي مصدر ميزة الترميز الزمني. تؤدي ذاكرة الخلايا العصبية إلى أداء مذهل في استخراج سمات مكانية وزمانية معينة بما في ذلك نماذج التعلم ذات الأنماط العشوائية. لا تستطيع أدوات استخراج الميزات الشائعة مثل C3D و CONVLSTM استخراج هذه الميزات. ستكون الصياغة الرياضية لهذا الادعاء على النحو التالي: افترض أن f (.) هي دالة في x و y و t. تشكل هذه الوظيفة حركة مكانية-زمانية. يمكن نمذجة الإطارات الزمنية على النحو التالي:

بيانات التدريب هي عينات ذات حدين:

لا يمكن لطبقة واحدة من C3D أو conv2D تعلم العشوائية I (x ، y ، t) كما حددنا. تم تصميم هذه الطبقات لتعلم الأنماط الحتمية في I (x ، y ، t)

. يمكن مقارنة ConvLSTM بـ SNN من حيث وجود ذاكرة في كل طبقة. هذه الذاكرة تجعلها مهيمنة مثل SNN. إذا كانت سيجما كبيرة بما يكفي ، لا يمكن أن تنسى LSTM في طبقة الالتفاف تباينًا كبيرًا وسيؤدي إلى انخفاض دقة ConvLSTM ، ومع ذلك ، فإن عتبة SNN تجعلها قوية للغاية في تباينات الضوضاء الكبيرة. يمكن حل المشكلة المذكورة إذا كان ConvLSTM عددًا أكبر من نوى الالتواء مقارنةً بـ SNN. الشبكة العصبية من طبقات الالتواء الضحلة المتسلسلة و LSTM لديها أيضًا بعض المشكلات. تواجه الشبكة صعوبة في التنبؤ بالمجال الزمني للنواة. بالإضافة إلى ذلك ، في حالة النوافذ الزمنية الكبيرة ، تعاني طبقات LSTM النموذجية من فقدان المعلومات.

حالات الاختبار المصممة هي كما يلي:

اختبار 1: تكبير (0 إلى 100٪) وتصغير (0 إلى 100٪) كـ 20 فئة من MNIST

Test2: قم بتدوير عقارب الساعة (من 0 إلى 360 درجة) وقم بتدوير عكس عقارب الساعة (360 إلى 0 درجة) كـ 20 فئة من MNIST

Test3: تكبير (50 إلى 100٪) وتصغير (50 إلى 100٪) كـ 20 فئة من MNIST

Test4: انسداد بمربع عشوائي من القيم الصفرية

اختبار 5: دورات تدريجية عشوائية CW / CCW (لا يوجد دوران على الإطارات الأولى والأخيرة من اتفاقية الأسلحة التقليدية ، صورة فارغة على الإطارات الأولى والأخيرة من CW)

4.2 إثبات مدعوم تجريبيًا

لإثبات الذاكرة غير المتأصلة للشبكات العصبية المتصاعدة ، تم تصميم بعض حالات الاختبار الخاصة. في الاختبارين 1 و 3 ، تُعتبر صور التكبير والتصغير بمثابة مدخلات وتصنفها الشبكة. يمكن أن تحدد SNNs أيضًا الدوران في اتجاه عقارب الساعة أو عكس اتجاه عقارب الساعة. تم تصميم Test2 لتحدي تلك الخاصية. بالإضافة إلى ذلك ، نظرًا لوجود الذاكرة في كل خلية عصبية ، فإنهم قادرون على تعلم أنماط عشوائية. أيضًا ، تصنف SNNs الصور المغطاة بدقة كبيرة. تم تصميم الاختبارين 4 و 5 أيضًا للدلالة على خاصيتين مذكورتين أخيرًا.


الأنماط الزمانية المكانية في الشبكات العصبية - علم الأحياء

a Dipartimento di Elettronica، Informazione e Bioingegneria، Politecnico di Milano، Piazza & # 160L. دافنشي ، 32-20133 ميلانو ، إيطاليا
بريد الالكتروني: [email protected]

(ب) شركة Micron Technology، Inc.، Boise، ID، USA

الملخص

ذاكرة الوصول العشوائي للتبديل المقاوم (ReRAM) هي جهاز ذو طرفين يعتمد على ترحيل الأيونات للحث على تبديل المقاومة بين حالة المقاومة العالية (HRS) وحالة المقاومة المنخفضة (LRS). تعتبر ReRAM واحدة من أكثر التقنيات الواعدة للمشابك الاصطناعية في أنظمة الحوسبة العصبية المستوحاة من الدماغ. ومع ذلك ، لا يزال هناك نقص في الفهم العام حول كيفية تطوير مثل هذا النظام الجشطالت لتقليد وظائف الدماغ وكفاءته والتنافس معها. الشبكات العصبية المتصاعدة (SNNs) مناسبة تمامًا لوصف المعالجة الزمانية المكانية المعقدة داخل الدماغ ، حيث تعتمد كفاءة الطاقة في الحساب في الغالب على الارتفاع الذي يحمل معلومات حول كل من الفضاء (الذي تطلقه الخلايا العصبية) والوقت (عندما تنطلق الخلايا العصبية). يتناول هذا العمل منهجية وتنفيذ نظام SNN العصبي لحساب المعلومات الزمنية بين المسامير العصبية باستخدام مشابك ReRAM القادرة على اللدونة المعتمدة على توقيت الارتفاع (STDP). يتم عرض التعلم والتعرف على تسلسل سبايك الزماني المكاني تجريبياً. تُظهر دراسة المحاكاة التي أجريناها أنه من الممكن إنشاء شبكة حوسبة زمانية مكانية متعددة الطبقات. كما تتيح الحوسبة الزمانية المكانية التعلم والكشف عن أثر الأجسام المتحركة ومحاكاة الهيكل الهرمي للقشرة البصرية البيولوجية التي تعتمد الترميز الزمني من أجل التعرف السريع.


الأنماط الزمانية المكانية في الشبكات العصبية - علم الأحياء

Neuropatt عبارة عن مجموعة أدوات MATLAB لاكتشاف وتحليل وتصور الأنماط الزمانية المكانية في نشاط السكان العصبي تلقائيًا. يمكن اختيارياً تصفية البيانات المسجلة بواسطة صفائف متعددة الأقطاب ، و EEG ، و MEG ، و fMRI وطرق التصوير الأخرى مثل VSD لاستخراج الطور أو سعة التذبذبات ضمن نطاق تردد محدد. ثم يتم استخلاص نشاط التكاثر من طرق التكيف من مجالات السائل المضطرب ورؤية الكمبيوتر. يمكن تتبع الأنماط الزمانية المكانية عبر المكان والزمان باستخدام معلمة الطلب وتحليل النقطة الحرجة ، ويتم استخراج الديناميكيات الزمانية المكانية السائدة باستخدام تحلل مجال ناقل.

يأتي NeuroPatt مع مجموعة من وظائف Matlab سهلة الاستخدام التي تسمح (1) الاكتشاف التلقائي لجميع الأنماط الزمانية المكانية في تسجيل الإدخال بناءً على معلمات المستخدم ، (2) الإخراج والتصور (المؤامرات ومقاطع الفيديو) لإحصائيات الأنماط ، (3) وتحليل وتصور ديناميات النمط.

إذا كنت تستخدم الكود الخاص بنا في بحثك ، فيرجى الاستشهاد بنا على النحو التالي:

Townsend RG، Gong P. كشف وتحليل الأنماط الزمانية المكانية في نشاط الدماغ ، PLoS Computational Biology 14 (12): e1006643، 2018.

يمكن الوصول إلى جميع الوظائف الأساسية من خلال ملف NeuroPattGUI M. يشتمل صندوق الأدوات على مجموعة بيانات نموذجية من LFPs مسجلة من المنطقة المرئية marmoset MT (انظر المراجع 1 و 2 ، صفيف تسجيل 10x10 ، 5 تكرارات لعروض التحفيز بالنقطة المتحركة مع تشغيل التحفيز عند 1 ثانية وتردد أخذ العينات 1017 هرتز ، MA026-14 Dir 1 مندوب 40-44). يمكن معالجة بيانات الاختبار هذه من خلال ما يلي:

باستخدام المعلمات الافتراضية ، سيجد NeuroPattGUI جميع الأنماط عند 4 هرتز في تحليلات ناقلات التسجيل والإخراج ، والأنماط التي تم اكتشافها وانتقالات النمط. في شاشة النتائج ، يمكن تصور إحصاءات الأنماط والمواقع بمزيد من التفصيل ، ويمكن تكرار التحليل باستخدام بيانات بديلة مدفوعة بالضوضاء للتحقق من النتائج.

يمكن بعد ذلك استخدام وظيفة saveVelocityFieldVideo لإظهار جميع خرائط السعة / الطور المحسوبة مع حقول السرعة المقابلة لها:

كبديل لاستخدام واجهة المستخدم الرسومية ، يمكن بدلاً من ذلك تشغيل جميع الوظائف الرئيسية من خلال سطر الأوامر. يجب أولاً تحديد المعلمات المرغوبة داخل ملف setNeuroPattParams M ، ثم يمكن تشغيل المعالجة من خلال:

هذا المشروع مُرخص بموجب GNU General Public License الإصدار 3 - راجع ملف LICENSE.md للحصول على التفاصيل.

Townsend RG، Gong P. كشف وتحليل الأنماط الزمانية المكانية في نشاط الدماغ ، PLoS Computational Biology 14 (12): e1006643، 2018.


ملفات بيانات إضافية

تتوفر البيانات الإضافية التالية مع الإصدار عبر الإنترنت من هذه الورقة: شكل يوضح مخططًا تفصيليًا لإجراء AVEXIS (ملف بيانات إضافي 1) شكل يوضح التحقق من صحة التفاعلات باستخدام اختبار قائم على حبة الفلورسنت (ملف بيانات إضافي 2) شكل يُظهر أن المستقبلات العصبية المتفاعلة تعرض أنماط تعبير تكميلية ومتداخلة في الدماغ النامي (ملف بيانات إضافي 3) جدول يسرد جينات LRR الزرد المستنسخة وتستخدم لإنتاج النطاقات الخارجية المؤتلفة (ملف بيانات إضافي 4) جدول يسرد 97 طعومًا لنطاق IgSF لأسماك الزرد. (ملف بيانات إضافي 5) جدول يصنف تفاعلات المستقبلات العصبية باستخدام AVEXIS (ملف بيانات إضافي 6) جدول يسرد التعبير الزماني المكاني لكل جين داخل شبكة التفاعل (ملف بيانات إضافي 7).


شاهد الفيديو: Single Layer Perceptron with example - مسائل على الشبكات العصبية برسبترون (ديسمبر 2022).