数据驱动的基于ANN的视觉解码可以实现无监督的功能对齐

科学领域:

• 计算神经科学是一种神经科学.
• 系统神经科学 系统神经科学
• 在神经科学中的机器学习

背景情况:

• 人工神经网络 (ANN) 提供了一种数据驱动的方法,用于无监督地发现大脑功能.
• 了解大脑中的视觉处理仍然是神经科学中的一个关键挑战.

研究的目的:

• 为了证明受过视觉解码训练的ANN可以自发地与正规的皮层视觉功能保持一致.
• 调查ANN学习高维神经表示的能力,以获得可靠的解码.
• 使用ANN探索神经编码和解码之间的相互关系.

主要方法:

• 训练ANN解码视觉刺激从子中的多单元刺活动.
• 分析ANN识别的大脑区域的功能与已知的视觉处理区域 (形状,颜色,运动) 的功能对齐.
• 逆转ANN架构以从视觉输入中预测神经活动.

主要成果:

• 在没有明确的功能先验的情况下,ANN成功地重建了复杂的视觉场景,并确定了参与形状,颜色和运动处理的大脑区域.
• 尽管在记录站点层面的火车测试相关性较低,但ANN在高维人口层面上学习了与任务相关的表示,实现了可靠的解码.
• 逆转网络表明神经活动的编码和解码之间存在相互关系.

结论:

• 基于ANN的视觉解码是神经系统中无监督功能对齐的强大框架.
• 这种方法可以在没有预先定义的特定区域信息的情况下揭示潜在的神经表征和功能组织.
• 这些发现突显了ANN在弥合神经活动和认知功能之间的差距方面的潜力.