人工智能模型可以模擬握手動(dòng)作的神經(jīng)環(huán)路

腦科學(xué)頭條
德國哥廷根大學(xué)靈長類動(dòng)物中心的神經(jīng)科學(xué)家以恒河猴為研究對(duì)象,首次成功地開發(fā)出一種人工智能計(jì)算模型,可以無縫地模擬從看到物體到抓住物體的整個(gè)運(yùn)動(dòng)規(guī)劃。該研究長文發(fā)表在《美國科學(xué)院院報(bào)PNAS》雜志上。

我們每天毫不費(fèi)力地做出無數(shù)的抓舉動(dòng)作。我們手里拿一把鑰匙,通過操作門把手打開前門,然后從外面拉緊鑰匙,然后用鑰匙鎖上。對(duì)我們來說,再正常不過的事情是基于我們的眼睛、不同的大腦區(qū)域以及手臂和手部肌肉的復(fù)雜相互作用完成日常生活中的動(dòng)作。

1.jpeg

抓取過程的神經(jīng)環(huán)路

德國哥廷根大學(xué)靈長類動(dòng)物中心的神經(jīng)科學(xué)家以恒河猴為研究對(duì)象,首次成功地開發(fā)出一種人工智能計(jì)算模型,可以無縫地模擬從看到物體到抓住物體的整個(gè)運(yùn)動(dòng)規(guī)劃。該研究長文發(fā)表在《美國科學(xué)院院報(bào)PNAS》雜志上。

2.jpeg

像人類一樣,恒河猴具有高度發(fā)達(dá)的神經(jīng)系統(tǒng)和視覺系統(tǒng)以及靈巧的手部運(yùn)動(dòng)控制。因此,它們特別適合研究類人的抓握動(dòng)作。從以前對(duì)恒河猴的研究中,我們已知三個(gè)大腦區(qū)域之間的相互作用是在抓握物體中起重要作用。然而,到目前為止,還沒有詳細(xì)的模型在神經(jīng)水平來解釋整個(gè)過程,即從視覺信息的處理到手臂和手部肌肉的控制,以抓住這個(gè)對(duì)象。

為了開發(fā)這種模型,研究人員訓(xùn)練兩只雄性恒河猴來掌握42個(gè)不同形狀和大小的物體,按隨機(jī)順序呈現(xiàn)給他們。在該行為實(shí)驗(yàn)中,首先短暫地照亮要抓握的物體,猴子則注視每個(gè)物體下方的紅點(diǎn),在紅點(diǎn)閃爍后以盡可能短的延遲進(jìn)行抓握運(yùn)動(dòng)。這些訓(xùn)練條件提供了不同大腦區(qū)域神經(jīng)活動(dòng)的時(shí)間信息,從而可以根據(jù)視覺信號(hào)誘發(fā)抓握運(yùn)動(dòng)和相關(guān)肌肉的激活。

3.jpeg

抓握行為范式

猴子戴著一個(gè)數(shù)據(jù)手套,不斷記錄手臂、手和手指的動(dòng)作。接下來研究人員從猴子的視角拍攝的42個(gè)物體的圖像,并將它們輸入到計(jì)算機(jī)中的遞歸神經(jīng)網(wǎng)絡(luò),來模擬大腦的神經(jīng)生物過程。通過對(duì)猴子的行為數(shù)據(jù)進(jìn)行訓(xùn)練后,該人工神經(jīng)網(wǎng)絡(luò)能夠準(zhǔn)確反映出恒河猴的抓握動(dòng)作。如它能夠處理可識(shí)別物體的圖像,并能夠再現(xiàn)準(zhǔn)確地抓住物體所需的肌肉動(dòng)力學(xué)。

4.jpeg

實(shí)驗(yàn)中恒河猴手掌的數(shù)據(jù)手套

將使用遞歸網(wǎng)絡(luò)模型獲得的結(jié)果與猴子實(shí)驗(yàn)的生物學(xué)數(shù)據(jù)進(jìn)行比較。事實(shí)證明,該模型的神經(jīng)動(dòng)力學(xué)與猴子的皮質(zhì)腦區(qū)域的神經(jīng)動(dòng)力學(xué)高度一致。該網(wǎng)絡(luò)模型由三個(gè)相互關(guān)聯(lián)的階段組成,分別對(duì)應(yīng)于猴子的三個(gè)皮質(zhì)大腦區(qū)域,并為大腦網(wǎng)絡(luò)的動(dòng)力學(xué)提供了有意義的見解。

研究意義

從長遠(yuǎn)來看,該人工神經(jīng)網(wǎng)絡(luò)模型對(duì)神經(jīng)康復(fù)與治療的發(fā)展有重要意義。例如,在截癱患者中重構(gòu)大腦和四肢之間受損的神經(jīng)連接,從而恢復(fù)從大腦到四肢的神經(jīng)信號(hào)傳輸,靈長類動(dòng)物中心神經(jīng)生物學(xué)實(shí)驗(yàn)室負(fù)責(zé)人說:“這種人工神經(jīng)網(wǎng)絡(luò)模型首次以生物學(xué)邏輯的方式描述了從看到物體到識(shí)別物體再到抓握過程中的動(dòng)作計(jì)劃和手部肌肉控制的神經(jīng)元處理過程。”他補(bǔ)充說:“這種模型有助于更好地了解大腦中的神經(jīng)元興奮過程,并且從長遠(yuǎn)來看很可能對(duì)開發(fā)更有效的神經(jīng)假體有重要幫助。”

參考資料

Michaels, J.A., et al., A goal-driven modular neural network predicts parietofrontal neural dynamics during grasping. Proc Natl Acad Sci U S A, 2020.

DOI: 10.1073/pnas.2005087117

THEEND

最新評(píng)論(評(píng)論僅代表用戶觀點(diǎn))

更多
暫無評(píng)論