É crescente o número de tecnologias que fazem uso de algoritmos de classificação de padrões neurais para automação de tarefas [1] [2].
Na área de neurociência, algoritmos de classificação tem sido empregados no teste de hipóteses sobre o funcionamento do sistema nervoso central. [3] [4]
No entanto, a relação entre as classes de padrões de ativação neuronal de áreas específicas do cérebro, como resultado de experiências sensoriais tem recebido pouca atenção.
Neste contexto, o problema objeto de investigação de um dos projetos do programa de pós-graduação em Ciência da Computação, cujo título é “Análise de Similaridade entre Classes de Padrões de Ativação Neuronais”, foi dividido em Problema Técnico e Problema de
Negócio.
Problema Técnico:
É preciso desenvolver uma técnica para mensurar o grau de similaridade entre classes de padrões neuronal.
Este resultado auxiliará no entendimento do funcionamento do sistema nervoso central, mais especificamente do cérebro.
Problema de Negócio:
Ao se estudar o nível de similaridade entre classes de padrões de ativação neuronais pode-se verificar quais regiões do cérebro se ativam de maneira similar sob o estímulo de objetos perceptivos distintos.
Este resultado pode ser útil no projeto de interfaces que se comunicam diretamente com o cérebro.
A solução proposta por esse projeto é a utilização de uma abordagem de aprendizagem semi-supervisionada para agrupar padrões de ativação neuronais de acordo com determinadas classes. Feito isso, é mensurada a similaridade entre os agrupamentos mais representativos de cada classe de padrão. Esse calculo da similaridade é realizado 50 vezes, sempre selecionando ao acaso novos padrões de ativação neuronais de acordo com determinadas classes, formando distribuição, as quais são verificadas se existem estatisticamente semelhança significativa entre os níveis de similaridade referentes a cada classe.
A figura a seguir representa de maneira simplificada o processo mencionado anteriormente.
São manipulados vetores numéricos relacionados com a quantidade de ativações de cada neurônio monitorizado durante a execução exploração livre de objetos em um determinado intervalo de tempo. Esses dados foram adquiridos por meio do estudo realizado em 2007, no Laboratório do Professor Sidarta Ribeiro [5]. Uma ilustração do experimento pode ser conferida nas fotografias a seguir.
Aquisição dos Dados.
Esse projeto é desenvolvido no Laboratório de Visão Computacional (LVC) pelo mestrando Eugênio Saraiva, e está inserido na linha de pesquisa Investigação de Métodos Computacionais para Análise de Dados de Ativação Neuronal. Nessa mesma linha de pesquisa, também estão o projeto do mestrando Victor Tavares e o projeto do doutorando Moisés Araújo. Todos os projetos recebem orientação dos professores, Herman Gomes e Nivaldo Vasconcelos.
Um dos artigos que foram produzidos na linha de pesquisa foi o artigo do Professor Nivaldo Vasconcelos, publicado em 2011 na revista oficial da Academia Norte-Americana de Ciências (PNAS) [3], que pode ser conferido nesse link: http://www.pnas.org/content/108/37/15408.
Este foi um dos resultados de um projeto de análise utilizando aprendizagem supervisionada para classificação de padrões de ativação neuronais.
Se você deseja obter mais informações sobre essa pesquisa, visite o Laboratório de Visão Computacional ou acesse: http://lvc.dsc.ufcg.edu.br .
Referências:
[1] R.O. Duda, P.E. Hart, e D.G. Stork, Pattern Classification, New York: John Wiley & Sons, 2001, pp. xx + 654, ISBN: 0-471-05669-3
[2] Yang Yang, Michael R DeWeese, Gonzalo H Otazu e Anthony M Zador, Millisecond-scale differences in neural activity in auditory cortex can drive decisions. Nature Neuroscience, 11(11):1262–3, November 2008.
[3] Vasconcelos N, Pantoja J, Belchior H, Caixeta FV, Faber J, et AL. Cross-modal responses in the primary visual cortex encode complex objects and correlate with tactile discrimination. Proceeedings of the National Academy of Sciences U S A 108: 15408–15413. 2011.
[4] Michael C-K Wu, Stephen V David, and Jack L Gallant. Complete functional characterization of sensory neurons by system identification. Annual Review of Neuroscience, 29:477–505, 2006.
[5] Ribeiro S, et al. Novel Experience Induces Persistent Sleep-Dependent Plasticity in the Cortex but not in the Hippocampus. Frontiers in Neuroscience. 2007
Grupo PET Computação UFCG, 2013. All rights reserved.
