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)
0 komentar:
Posting Komentar