通过以模型为基础的深度强化学习在体中通过视网膜植入物刺激学习学习
Jacob Lavoie1, Marwan Besrour1, William Lemaire1
1Department of Electrical Engineering and Computer Engineering, Université de Sherbrooke, Sherbrooke, Quebec, J1K 2R1, Canada.
Biomedical physics & engineering express
|August 18, 2023
概括
这项研究引入了一种新的方法,使用人工智能来改善视力恢复,通过训练一个代理来染来自同otropic 和 anisotropic 形状的图像. 这种方法提高了视力损失患者的图像可理解性.
科学领域:
- 神经科学和人工智能 人工智能
- 生物医学工程和视觉科学科学
背景情况:
- 由于诸如黄斑变性和视网膜炎等疾病的光感受体退化,需要使用替代视力恢复方法.
- 视网膜植入物通过电气刺激视网膜质细胞,但通常会产生异型的,延长的视觉形状.
研究的目的:
- 建议和评估使用同位素和异位素形状来通过视网膜刺激呈现可理解的图像.
- 开发一个强化学习环境 (rlretina) 来模拟基于冲动的图像染任务.
主要方法:
- 一个深度强化学习代理被训练,以组装等离子和异离子形状成连贯的图像.
- 该研究调查了适合基于错误和基于感知的指标,用于代理奖励.
- 培训采用基于模型的数据生成方法,使用经过验证的轴突图模型来实现现实的患者感知.
主要成果:
- 训练有素的代理人成功地学会了组装图形用于图像染.
- 与不同虚拟患者模型的天真方法相比,代理产生的图像显示了更好的可理解性.
- 该研究确定了强化学习代理人的有效奖励指标.
结论:
- 这项研究提出了一种用于视网膜刺激的新方法,超越了简单的形状生成.
- 这些发现代表了在人工视觉系统中提高视觉敏度的重要第一步.
- 使用异型烯与同型形状结合使用异型烯为改善视觉感知提供了一个有希望的途径.
