KemajuaN Dalam Membaca Otak

Sebuah metode mesin belajar yang inovatif mengantisipasi perubahan neurokognitif, mirip dengan teks prediktif-entri untuk ponsel, mesin pencari internet.(Credit: © ktsdesign / Fotolia)

ScienceDaily (21 Desember 2011) Pada Laboratorium UCLA Teknologi Neuroimaging Integratif, peneliti menggunakan scan otak MRI fungsional untuk mengamati perubahan sinyal otak yang terjadi selama aktivitas mental. Mereka kemudian menggunakan mesin belajar terkomputerisasi (ML) metode untuk mempelajari dan mengidentifikasi pola-pola kognitif negara - atau kadang-kadang proses berpikir - subyek manusia. Teknik ini disebut "otak membaca" atau "otak decoding."

Dalam sebuah studi baru, tim peneliti UCLA menjelaskan beberapa kemajuan penting dalam bidang ini, menggunakan fMRI dan mesin belajar metode untuk melakukan "membaca otak" pada perokok mengalami ngidam nikotin.

Penelitian, dipresentasikan minggu lalu pada Machine Learning Sistem Informasi Pengolahan Syaraf 'dan Interpretasi di Neuroimaging lokakarya di Spanyol, didanai oleh National Institute on Drug Abuse, yang tertarik menggunakan metode ini untuk membantu orang mengendalikan ketagihan obat.

Dalam studi tentang kecanduan dan keinginan, tim data diklasifikasikan diambil dari perokok yang dipindai saat menonton video dimaksudkan untuk menginduksi ketagihan nikotin. Tujuannya adalah untuk memahami secara detail yang daerah otak dan jaringan saraf yang bertanggung jawab untuk melawan kecanduan nikotin khusus, dan keinginan secara umum, kata Dr Ariana Anderson, postdoctoral fellow di lab Teknologi Neuroimaging Integratif dan penulis utama studi tersebut.

"Kami tertarik dalam mengeksplorasi hubungan antara struktur dan fungsi dalam otak manusia, khususnya yang terkait dengan kognisi tingkat tinggi, seperti citra mental," kata Anderson. "Laboratorium ini terlibat dalam eksplorasi aktif data modern-analisis pendekatan, seperti pembelajaran mesin, dengan perhatian khusus untuk metode yang mengungkapkan tingkat sistem organisasi saraf."

Untuk penelitian ini, perokok kadang-kadang menonton video dimaksudkan untuk mendorong nafsu, kadang-kadang menyaksikan "netral" video dan kadang-kadang melihat ada video sama sekali. Mereka diinstruksikan untuk mencoba untuk melawan ketagihan nikotin ketika mereka muncul.

Data dari scan fMRI yang diambil dari peserta penelitian kemudian dianalisis. Metode pembelajaran mesin tradisional yang ditambah oleh proses Markov, yang menggunakan sejarah masa lalu untuk memprediksi masa depan negara. Dengan mengukur jaringan otak aktif selama waktu selama scan, mesin yang dihasilkan algoritma belajar mampu mengantisipasi perubahan dalam struktur neurokognitif yang mendasari subyek ', memprediksi dengan tingkat akurasi yang tinggi (90 persen untuk beberapa model yang diuji) apa yang mereka menonton dan, sejauh ngidam prihatin, bagaimana mereka bereaksi terhadap apa yang mereka lihat.

"Kami mendeteksi apakah orang-orang menonton dan melawan keinginan, memanjakan di dalamnya, atau menonton video yang berhubungan dengan merokok atau ngidam," kata Anderson, yang menyelesaikan gelar Ph.D. dalam statistik di UCLA. "Pada dasarnya, kami memprediksi dan mendeteksi apa jenis video orang menonton dan apakah mereka menolak keinginan mereka."

Pada dasarnya, algoritma itu mampu menyelesaikan atau "memprediksi" keadaan mental subyek 'dan proses berpikir dalam banyak cara yang sama bahwa mesin pencari internet atau program texting pada ponsel mengantisipasi dan menyelesaikan kalimat atau permintaan sebelum pengguna selesai mengetik. Dan metode ini mesin belajar didasarkan pada proses Markov menunjukkan peningkatan yang besar dalam akurasi lebih dari pendekatan tradisional, kata para peneliti.

Mesin metode pembelajaran, secara umum, membuat "lapisan keputusan" - pada dasarnya batas yang memisahkan kelas yang berbeda satu kebutuhan untuk membedakan. Sebagai contoh, nilai-nilai pada satu sisi batas mungkin menunjukkan bahwa subjek percaya pernyataan berbagai uji dan, di sisi lain, bahwa subjek kafir laporan. Para peneliti telah menemukan mereka dapat mendeteksi perbedaan kafir percaya-dengan akurasi yang tinggi, pada dasarnya menciptakan detektor kebohongan. Sebuah inovasi yang dijelaskan dalam penelitian baru adalah cara membuat batas-batas ditafsirkan oleh ahli saraf, daripada sering mengaburkan batas dibuat dengan metode yang lebih tradisional, seperti belajar vektor dukungan mesin.

"Dalam penelitian kami, batasan-batasan ini dirancang untuk mencerminkan aktivitas kontribusi dari berbagai sub-sistem otak atau jaringan yang fungsinya dapat diidentifikasi - misalnya, sebuah jaringan visual, jaringan emosional-regulasi atau jaringan pemantauan konflik," kata rekan penulis studi Mark S. Cohen, seorang profesor ilmu neurologi, psikiatri dan biobehavioral di UCLA Staglin Pusat Cognitive Neuroscience dan peneliti di California Institute NanoSystems di UCLA.

"Dengan memproyeksikan masalah kita mengisolasi jaringan tertentu yang berhubungan dengan hasrat ke dalam domain neurologi, teknik ini tidak lebih dari mengklasifikasikan keadaan otak - itu benar-benar membantu kita untuk lebih memahami cara otak menolak ngidam," tambah Cohen, yang juga mengarahkan UCLA Neuroengineering Program Pelatihan.

Hebatnya, dengan menempatkan masalah ini ke dalam istilah neurologis, proses decoding menjadi signifikan lebih dapat diandalkan dan akurat, kata para peneliti. Hal ini sangatlah penting, kata mereka, karena itu tidak biasa untuk menggunakan hasil sebelumnya dan negara dalam rangka untuk menginformasikan algoritma mesin belajar, dan sangat menantang di otak karena begitu banyak yang diketahui tentang cara kerja otak.

Pembelajaran mesin biasanya melibatkan dua langkah: sebuah "fase pelatihan" di mana komputer mengevaluasi seperangkat hasil yang dikenal - mengatakan, sekelompok percobaan di mana subjek menunjukkan keyakinan atau percaya - dan kedua, "prediksi" fase di mana komputer membangun batas yang didasarkan pada pengetahuan itu.

Dalam penelitian masa depan, kata ahli saraf, mereka akan menggunakan metode mesin belajar ini dalam konteks biofeedback, menunjukkan subyek real-time readouts otak untuk membiarkan mereka tahu kapan mereka mengalami ngidam dan bagaimana mereka ngidam yang intens, dengan harapan melatih mereka untuk mengontrol dan menekan keinginan mereka.

Tapi karena ini jelas perubahan proses dan negara kognitif untuk subjek, para peneliti mengatakan, mereka mungkin menghadapi tantangan khusus dalam mencoba untuk decode "target bergerak" dan dalam memisahkan "pelatihan" fase dari fase "prediksi". (Google Translate)