Informație

Utilitar sau software pentru a vizualiza rețeaua neuronală?

Utilitar sau software pentru a vizualiza rețeaua neuronală?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Folosesc Octave pentru a genera o rețea neuronală cu un singur strat ascuns și o salvez ca două fișiere CSV.

Există un utilitar sau un software care va încărca fișierele și va crea o imagine, o pagină PDF sau HTML care afișează greutățile peste margini care conectează neuronii?


Dacă aveți fișiere CSV, o modalitate rapidă de a genera imagini ar fi să o deschideți în Excel (sau un software similar pentru foi de calcul) și să utilizați un fel de formatare condițională la scară de culoare (sub acasă> stiluri în Microsoft Excel) - setați lățimea și înălțimile celulele la mici pentru a vizualiza toate datele simultan.

De asemenea, puteți utiliza o diagramă de suprafață pentru a vizualiza datele în Excel.

În caz contrar, dacă sunteți familiarizat cu un instrument precum Matlab sau R, ați putea dori să utilizați un fel de instrument grafic pentru a-l reprezenta, de ex. meshgrid în Matlab ar putea funcționa.

Matlab și / sau R pot fi programate pentru a încărca mai multe fișiere CSV și a crea grafică din acestea. Primele două tehnici pe care le-am menționat (deși accesibile pentru un utilizator mai novice) trebuie efectuate manual.


Pentru ceea ce merită, am făcut multe cercetări și nu am găsit o soluție.

Așa că am creat propriile mele utilizând HTML, jQuery și o pânză. Nu este frumos, dar nu necesită multă muncă, deoarece funcționalitatea este simplă: Când faceți clic pe un nod, afișați marginile acestuia și greutățile asociate.


Software-ul gratuit de sursă de inteligență artificială Open Source

Discuss.io oferă o platformă de conversație pentru consumatori de la capăt la capăt, care combină videoclipuri de vârf din industrie cu instrumente de cercetare calitativă.

BugHerd este proiectat și construit de dezvoltatori web pentru dezvoltatori, designeri, specialiști în marketing și manageri de proiect.

Software de învățare automată pentru rezolvarea problemelor de extragere a datelor

JTDS - SQL Server și driverul Sybase JDBC

Tesseract OCR

Armadillo

bibliotecă rapidă C ++ pentru algebră liniară și amp de calcul științific

Centralizați și eficientizați gestionarea impozitelor indirecte în întreaga întreprindere.

TensorFlow

TensorFlow este o bibliotecă open source pentru învățarea automată

LabelImg

Instrument de adnotare a imaginilor grafice și casete de limitare a obiectelor de etichetare

Robocod

Robocode este un joc rezervor de programare pentru Java și .NET

AirSim

Un simulator pentru drone, mașini și multe altele, construit pe Unreal Engine

Instrument de adnotare a viziunii pe computer (CVAT)

Instrument video interactiv și de adnotare a imaginii pentru viziunea computerizată

Zoho Assist, soluția dvs. de acces la distanță all-in-one, vă ajută să accesați și să gestionați dispozitive la distanță.

Keras

API rețele neuronale bazate pe Python

Inteligența rețelei neuronale

Set de instrumente AutoML pentru automatizarea ciclului de viață al învățării automate

OpenFace

Un set de instrumente de analiză a comportamentului facial de ultimă generație

CLIPS Limbaj de programare bazat pe reguli

Recunoaștere facială

API-ul mondial de recunoaștere facială cel mai simplu pentru Python și amplificați linia de comandă


Neurologii vizualizează circuitele neuronale la adâncimi inaccesibile

Figura 2: Vizualizarea neuronilor marcați fluorescent într-un volum dreptunghiular care cuprinde celule din cortexul cerebral și hipocamp. Această imagine a fost capturată cu un obiectiv specializat care permite penetrarea la o adâncime de 4 milimetri sub suprafața creierului. Credit: 2011 Atsushi Miyawaki

O descoperire recentă în pregătirea probelor biologice de către oamenii de știință de la RIKEN Brain Science Institute din Wako ar putea oferi Astro Boy & # 146s & # 145x-ray vision & # 146 o alergare pentru banii săi. Prin tratarea probelor de țesuturi cu un amestec ușor de preparat de substanțe chimice, Atsushi Miyawaki, Hiroshi Hama și colegii lor pot face creierul și alte țesuturi la fel de clare ca sticla, o transformare reversibilă care oferă cercetătorilor o vedere neobstrucționată a celulelor etichetate fluorescent care locuiesc în interiorul lor1. .

Timp de decenii, limitele tehnologiei disponibile au zădărnicit încercările de cartografiere a răsucirilor amețitoare ale creierului. Neurologii au obținut un anumit succes în organisme mai simple, cum ar fi viermele sau musca, folosind lame mici pentru a dezlipi secvențial fâșiile de țesut ultra-subțire, care pot fi apoi imaginate prin microscopie electronică și reasamblate computerizat. Cu toate acestea, această abordare este mult prea intensă în muncă și consumă mult timp pentru reconstrucția unui sistem la fel de complex ca sistemul nervos al mamiferelor.

Descoperiri mai recente în tehnologia microscopiei optice și un arsenal în creștere rapidă de proteine ​​fluorescente multicolore au oferit cercetătorilor noi instrumente puternice pentru cartografierea creierului. Prin restricționarea expresiei etichetelor fluorescente specifice la anumite subseturi de celule, se pot vizualiza în mod clar circuitele neuronale în contextul lor natural, tridimensional, totuși, țesutul dens al creierului tinde să împrăștie lumina, limitând adâncimea la care astfel de strategii de imagistică pot pătrunde.

Mai multe grupuri de cercetare au dezvoltat & # 145 agenți de curățare & # 146 care îmbunătățesc transparența probelor biologice, cum ar fi benzil-alcool / benzil-benzoat (BABB) și o soluție de proprietate cunoscută sub numele de FocusClear, dar fiecare suferă limitări importante. & # 147BABB este un solvent organic care necesită deshidratarea probelor pentru a fi curățate. & # 148 spune Miyawaki. El adaugă că un astfel de tratament poate diminua foarte mult fluorescența eșantionului global, și # 147 și FocusClear nu elimină probele de creier de șoarece [cu ușurință]. în imagistica creierului șoarecelui.

Scara a apărut inițial din observarea neașteptată, întâmplătoare, a faptului că membranele compuse din materialul fluorurat de poliviniliden, care în mod normal seamănă cu foi de hârtie albă, devin complet transparente atunci când sunt îmbibate într-o soluție de uree cu concentrație ridicată. Ridicând această soluție, Miyawaki și colegii săi au ajuns la ScaleA2, un amestec care realizează același lucru cu țesuturile biologice.

ScaleA2 poate transforma creierul unui șoarece în esență transparent în decurs de două săptămâni (Fig. 1). Acest tratament determină, de asemenea, umflarea țesutului ca urmare a captării apei, dar cercetătorii au stabilit că exemplarele își mențin forma și proporțiile globale, sugerând că această expansiune nu afectează în mod semnificativ aranjamentul structurilor celulare care sunt imaginate.

Într-un test inițial al abordării lor imagistice, Miyawaki și colegii săi au constatat că celulele din eșantioanele tratate cu ScaleA2 și-au păstrat pe deplin etichetele fluorescente, în timp ce țesuturile tratate cu BABB au dat un semnal mult diminuat. Mai important, transparența indusă de ScaleA2 le-a permis cercetătorilor să vizualizeze mult mai adânc în creier decât înainte, chiar și atunci când se utilizează abordări microscopice standard și # 145one-foton & # 146, care sunt de obicei vulnerabile la împrăștiere și interferențe ale imaginii de fundal.

& # 147 Deși limita de adâncime a imaginii microscopiei cu fluorescență de excitație cu doi fotoni este de obicei de aproximativ 0,7 milimetri în creier, am putut imagina neuroni fluorescenți cu Scala până la o adâncime de 2 milimetri sub suprafața creierului. & # 148 spune Miyawaki. Prin proiectarea unui obiectiv de microscop specializat, aceștia au reușit să pătrundă și mai departe, la o distanță de lucru fără precedent de 4 milimetri sub suprafața creierului (Fig. 2). Nivelul de detaliu obținut cu ScaleA2 s-a dovedit suficient pentru ca cercetătorii să mapeze conexiunile axonale dintre neuronii din corpul calos, puntea dintre emisferele creierului și # 146 și le-a permis, de asemenea, să analizeze interacțiunea dintre celulele stem neuronale și vasculatura în curs de dezvoltare. creierul mouse-ului.

Figura 1: După două săptămâni de tratament cu ScaleA2, creierul șoarecelui este suficient de transparent (stânga) pentru a fi ușor traversat de lumina dintr-un fascicul laser (dreapta). Credit: 2011 H. Hama și colab.

Deoarece nu toate specimenele sunt create egale, Miyawaki și colegii săi au experimentat, de asemenea, formulări alternative Scale pentru aplicații de imagistică specializate. Una dintre acestea, ScaleU2, necesită o incubare mai lungă a eșantionului, dar are ca rezultat o expansiune mai redusă a țesuturilor, astfel încât poate oferi avantaje pentru utilizare cu probe embrionare sau alte țesuturi fragile. Într-un experiment preliminar pe embrioni de șoareci în vârstă de 13,5 zile, cercetătorii au folosit ScaleU2 pentru a vizualiza regiunile de diviziune celulară activă din diencefal și # 151a parte a creierului anterior.

Foarte important, efectele tratamentului Scale s-au dovedit complet reversibile, iar eșantioanele care s-au recuperat de la compensare s-au dovedit a nu se distinge de omologii lor neclarizați, reafirmând impactul minim al acestui tratament asupra structurii țesuturilor.

O viziune clară asupra viitorului

Unii cercetători au conceput strategii deosebit de ambițioase pentru cartarea circuitelor neuronale, cum ar fi mouse-ul & # 145Brainbow & # 146 dezvoltat la Harvard Medical School, care combină un număr mare de proteine ​​fluorescente diferite pentru a transforma creierul mouse-ului într-un spectacol de lumină orbitor în care practic fiecare neuron se distinge clar de vecinii săi. Miyawaki consideră că Scala ar trebui să se dovedească extrem de complementară unor astfel de eforturi. & # 147Toate proteinele fluorescente pe care le-am testat până acum sunt rezistente la concentrații mari de uree și ar trebui să poată fi utilizate.

Echipa sa este deja angajată în colaborări pentru a aplica Scala la investigațiile vizate la șoareci. Deși lucrările descrise până în prezent s-au concentrat pe markeri fluorescenți exprimați genetic, această abordare ar trebui să fie compatibilă și cu alte metodologii de etichetare. Odată ce astfel de tehnici au fost dezvoltate, Scale ar trebui să se dovedească eficientă pentru lucrul cu probe de țesut mai mari obținute de la specii care nu sunt ușor susceptibile modificării genetice, cum ar fi primatele.

Cea mai mare limitare văzută în prezent de Miyawaki este necesitatea de a lucra cu țesuturi & # 145dead & # 146, dar el sugerează că chiar și acest lucru se poate schimba. & # 147 Scala este limitată în prezent la probe biologice fixe, & # 148 spune el, & # 147dar la un moment dat în viitor, ar putea exista & # 145Scala live & # 146. & # 148


Software gratuit de sursă deschisă de inteligență artificială pentru Windows

Împingeți cu ușurință facturile și facturile de abonament în sistemul dvs. de contabilitate.

Tehnologia # 1 de bunăstare totală

Software de învățare automată pentru rezolvarea problemelor de extragere a datelor

DeepFaceLab

Software-ul de vârf pentru crearea de deepfakes

Programare fără tehnologie de codificare

Creați software fără a scrie o singură linie de cod

JTDS - SQL Server și driverul Sybase JDBC

Conectați-vă instantaneu și direct la publicul dvs. prin mesaje text la scară largă.

Tesseract OCR

Armadillo

bibliotecă rapidă C ++ pentru algebră liniară și amp de calcul științific

TensorFlow

TensorFlow este o bibliotecă open source pentru învățarea automată

LabelImg

Instrument de adnotare a imaginilor grafice și casete de limitare a obiectelor de etichetare

Robocod

Robocode este un joc rezervor de programare pentru Java și .NET

Verificare găzduită, integrare API sau extensie de comerț electronic - vă asigurăm.


Cum se vizualizează o rețea neuronală

Vreau să desenez o imagine dinamică pentru o rețea neuronală pentru a urmări schimbarea greutăților și activarea neuronilor în timpul învățării. Cum aș putea simula procesul în Python?

Mai exact, dacă forma rețelei este: [1000, 300, 50], aș dori să desenez un NN cu trei straturi care conține 1000, 300 și, respectiv, 50 de neuroni. Mai mult, sper că imaginea ar putea reflecta saturația neuronilor pe fiecare strat în timpul fiecărei epoci.

Nu am nicio idee despre cum să o fac. Poate cineva să-mi arunce ceva lumină?


Discuţie

În acest studiu, am creat un atlas de fațete pentru a organiza și a rezuma starea actuală a măsurării trăsăturilor de personalitate la nivel de fațetă. Pentru a ilustra utilitatea acestui atlas, am examinat prevalența fațetelor amestecate, am identificat fațetele de bază și periferice pentru fiecare dintre cele cinci mari și am explorat modul în care cercetătorii pot folosi acest atlas pentru a înțelege mai bine anumite constructe și măsuri. În cele ce urmează, discutăm implicațiile acestei cercetări pentru evaluarea aplicată a personalității și înțelegerea noastră conceptuală a structurii trăsăturilor de personalitate.

Prevalența fațetelor amestecate

Cele mai multe scale (59%) conțineau un amestec de mai multe domenii Big Five. Deși cu siguranță nu suntem primii care subliniază lipsa unei structuri simple în ierarhia personalității (vezi [11,15,30]), cercetătorii personalității de bază și aplicate par a fi reticenți să încorporeze această realitate complexă, amestecată, în evaluarea și teoria personalității, după cum reiese din structura simplă implicată în majoritatea măsurilor necircumstanțiale ale personalității (de exemplu [8,10,12]). Recunoașterea pe deplin a prevalenței conținutului amestecat în scale de fațetă poate crește comensurabilitatea între măsuri și poate îmbunătăți teoriile structurale.

Rezultatele au indicat, de asemenea, că trei combinații de domenii specifice au fost reprezentate în mod obișnuit prin amestecuri. Una dintre acestea, amestecul dintre agreabilitate și extraversiune, reflectă binecunoscutul circumplex interpersonal [23]. Alte două amestecuri, între agreabilitate și nevrotism și între conștiinciozitate și deschidere, au fost, de asemenea, obișnuite, dar li s-a acordat mai puțină atenție empirică. Amestecurile de agreabilitate și nevrotism pot forma un circumplex care măsoară tendințele afective interpersonale [31]. Conceptualizarea unui astfel de circumplex poate fi utilă în diagnosticul și tratamentul problemelor interpersonale. Amestecul dintre conștiinciozitate și deschidere poate forma un circumplex bazat în jurul sistemului de valori al unei persoane (C ridicat O mare = dezvoltarea ego-ului, C ridicat O scăzut = rigiditate, C scăzut O ridicat = neconvenționalitate, scăzut O scăzut C = dezangajare). Acest circumplex poate fi util pentru înțelegerea aspectelor umaniste ale personalității și poate ajuta la sintetizarea cercetării personalității Big Five cu cea privind dezvoltarea ego-ului (de exemplu, [63]).

Două tipuri particulare de amestecuri de fațete, între extraversiune și deschidere și între agreabilitate și conștiinciozitate, au fost mai puțin frecvente în acest atlas de fațete. Această constatare a fost relativ surprinzătoare, deoarece aceste două perechi de domenii sunt de obicei intercorelate [4, 13]. Lipsa amestecurilor dintre fațetele extraversiunii și deschiderii nu pare să reflecte spațiul gol, deoarece am identificat câteva amestecuri pozitive (excitabilitate exploratorie TCI și leadership AB5C) și câteva amestecuri contrastante (introspecție și sociabilitate AB5C). De asemenea, cercetările circumcidențiale din trecut au constatat, de asemenea, că fațetele care măsoară ingeniozitatea, creativitatea și conducerea îndrăzneață măsoară un amestec de deschidere ridicată și extraversiune ridicată [30,64]. Mai degrabă, se pare că scările care măsoară amestecuri de extraversiune și deschidere sunt doar neobișnuite. Dezvoltarea unor scale care măsoară în mod explicit un amestec de aceste trăsături poate fi utilă, întrucât formează metretretul plasticității și au fost teoretizate pentru a funcționa în tandem ca parte a sistemului de abordare [65]. În comparație, lipsa conținutului amestecat între agreabilitate și conștiinciozitate poate reflecta spațiul trăsăturilor care este în mod necesar mai rar. Am găsit un amestec negativ (raționalitatea AB5C) și trei amestecuri pozitive (respectarea AB5C, moralitatea AB5C și corectitudinea HEXACO), iar alte cercetări s-au străduit în mod similar să identifice conținutul amestecat între aceste două trăsături [65]. Observăm că fiecare dintre aceste patru fațete conotează un fel de aderență la regulă orientată interpersonal, care este un comportament obișnuit în viața de zi cu zi, dar nu pare să fie bine codificată în limbajul diferențelor individuale stabile (dovadă fiind faptul că nu poate identifica un termen cu un singur adjectiv pentru a descrie acest tip de comportament). Cercetările viitoare ar putea dori să aprofundeze spațiul de personalitate ocupat de un amestec de agreabilitate și conștiinciozitate și să dezvolte scale care să măsoare în mod explicit acest conținut. O astfel de acțiune ar putea augura o abordare mai cuprinzătoare a evaluării personalității.

Miezul fiecărui domeniu

Am identificat cele mai multe fațete de bază și periferice din fiecare domeniu Big Five, calculând puterea fiecărei fațete în rețeaua respectivă. Un set heterogen de fațete a caracterizat cele cinci nuclee de domeniu. De exemplu, nucleul conștiinciozității conținea fațete care măsoară conținutul, inclusiv măiestria, intenția și organizarea. Aceste descoperiri identifică cazuri de jingle și jangle în numele fațetelor. De exemplu, AB5C sociabilitate a fost localizat în centrul extraversiunii și JPI sociabilitate era în periferie, deși au același nume. Acest model de descoperiri evidențiază, de asemenea, dificultatea inerentă în identificarea unui singur „nucleu” conceptual pentru fiecare dintre domeniile mari ale celor Cinci Mari. Mai degrabă, nucleul unui domeniu poate fi cel mai bine înțeles ca o colecție de fațete, iar poziționarea fațetelor se poate face cel mai bine în termeni relativi (de exemplu, ca „mai mult nucleu” sau „mai periferic” decât o altă fațetă.)

De asemenea, am constatat că, în cadrul fiecărui domeniu, estimările centralității rețelei au fost puternic corelate cu valoarea absolută a încărcărilor factorilor din acel domeniu (rs = .71-.86). Magnitudinea acestei corelații, deși mai mică decât corelațiile de aproape unitate dintre acești doi parametri atunci când este estimată în studiile de simulare [66], sugerează că informații similare sunt culese din ambele tipuri de analize (observăm că simulările au estimat rețelele pe baza corelațiilor parțiale , în timp ce am estimat rețelele pe baza corelațiilor complete). Sursa principală a discrepanței dintre cele două estimări provine probabil din faptul că analiza factorială rezumă modul în care fațetele sunt similare în ceea ce privește asocierile lor cu un singur domeniu mai mare al celor Cinci Mari, în timp ce estimările centralității puterii rezumă toate sursele de asemănare și diferență între fiecare pereche de fațete. De exemplu, acceptarea socială TCI și empatia AB5C se încarcă puternic pe un factor de agreabilitate latent, dar această asociere se face și mai puternică în virtutea unei încărcări secundare partajate asupra deschiderii, care este surprinsă doar în estimările puterii rețelei. În general, această suprapunere între factorii analitici și rezultatele analizei de rețea sugerează că cele două metodologii împărtășesc multe caracteristici, mai ales atunci când analizele de rețea se bazează pe corelații transversale.

Periferiile fiecărui domeniu

În timp ce s-a acordat multă atenție identificării nucleelor ​​fiecăruia dintre cele cinci mari domenii, acest studiu a fost unul dintre primii care au examinat fațetele periferice ale celor cinci domenii. Rezultatele au indicat faptul că fiecare domeniu conținea un conținut periferic substanțial care a fost acoperit de puține măsuri. Împreună cu cercetările anterioare [34, 36], acest lucru sugerează că majoritatea măsurilor moderne de personalitate au o lățime idiosincratică în acoperirea conținutului lor. De exemplu, măsura NEO-PI-R și HPI încredere, o fațetă a agreabilității, dar celelalte măsuri ierarhice de personalitate din ESCS nu. Aceste diferențe în acoperirea conținutului periferic pot explica, în parte, corelațiile moderate care au fost raportate pentru diferite măsuri ale aceluiași domeniu Big Five (de exemplu, la fel de mic ca r = .66 în [10]). Cercetările viitoare care se concentrează pe periferia domeniilor trăsăturilor pot ajuta la rezolvarea diferențelor în scorurile domeniului de la diferite măsuri, la clarificarea modului în care diferite instrumente sunt mai mult sau mai puțin eficiente în contabilizarea anumitor trăsături și la îmbunătățirea eforturilor de evaluare cuprinzătoare a personalității.

Limitări

Limitările majore ale acestei cercetări implică compoziția ESCS. Eșantionul este omogen din punct de vedere etnic, peste 98% dintre participanți sunt albi, toți sunt americani, iar majoritatea sunt de vârstă mijlocie. Deoarece structura trăsăturilor de personalitate, în special la nivel de fațetă, nu se generalizează între culturi [67] sau grupe de vârstă [68], cercetătorii ar trebui să fie precauți atunci când generalizează acest atlas la diferite grupuri de oameni. Ca punct mai larg, ESCS a fost puternic utilizat în examinările anterioare ale structurii personalității (de exemplu [10, 12, 30)]), deoarece participanții au realizat o varietate atât de mare de măsuri de personalitate. Efectul secundar nefericit al acestei dependențe excesive asupra ESCS și eșantioanelor cu o compoziție similară este acela că cercetările noastre privind structura personalității exclud adesea populații mai largi non-albe, chiar și în SUA. Pentru a remedia acest lucru, lucrările viitoare care colectează date utilizate pentru a studia structura personalității folosind multe scale de fațetă trebuie să se concentreze în mod activ pe diversitatea eșantionului (cum ar fi [69]). Anticipăm cu nerăbdare atlasuri viitoare, mai reprezentative.

În plus, toate instrumentele din acest studiu au fost chestionare de auto-raportare, iar rezultatele pot diferi atunci când se utilizează o metodă diferită. În plus, unele scale de fațetă au fost măsurate cu puțini itemi, iar această concizie introduce nesiguranța măsurării. Am corectat acest lucru folosind fiabilitatea alfa a fiecărei scări, dar această corecție aproximativă este relativ conservatoare și este posibil să nu restabilească fiecare corelație la magnitudinea sa reală. Ca atare, corelațiile între fațete măsurate cu scale scurte pot fi oarecum atenuate.


Pentru a vă arăta cum să vizualizați un model Keras, cred că este mai bine dacă am discuta mai întâi unul.

Astăzi, vom vizualiza rețeaua neuronală convoluțională pe care am creat-o mai devreme pentru a demonstra beneficiile utilizării CNN-urilor decât cele conectate dens.

Acesta este codul modelului respectiv:

Vă sugerez să citiți postarea dacă doriți să o înțelegeți foarte profund, dar o voi prezenta pe scurt aici.

Pur și simplu clasifică setul de date MNIST. Acest set de date conține imagini de cifre de 28 x 28 pixeli sau numere între 0 și 9, iar CNN le clasifică cu o precizie uimitoare de 99%. Face acest lucru prin combinarea a două blocuri convoluționale (care constau dintr-un strat convoluțional bidimensional, pooling bidimensional maxim și abandon) cu straturi dens conectate. Este cel mai bun din ambele lumi în ceea ce privește interpretarea imaginii și generând predicții finale.


Cercetătorii dezvoltă o tehnică pentru a vizualiza și controla activitățile neuronale care stau la baza comportamentului

Desen schematic al sistemului Cal-Light. Proteinele M13 și calmodulină sunt fuzionate la capătul C-terminal și la capătul-N al proteazei TEV (TEV-C și TEV-N), respectiv. Când apare Ca2 + în citosol, M13 și calmodulina se leagă între ele și ulterior TEV-C și TEV-N recâștigă funcții proteolitice. Cu toate acestea, proteaza TEV nu poate recunoaște TEVseq cu ușurință într-o stare întunecată, deoarece TEVseq este introdus la capătul C al helicoidei AsLOV2. Lumina albastră provoacă o schimbare conformațională a helixului J, făcând TEVseq demascat. TTA clivat se translocează în nucleu și inițiază expresia genică. Credit: Max Planck Florida Institute for Neuroscience

De când oamenii de știință au început să studieze creierul, au întrebat dacă biologia pe care au observat-o poate fi legată într-adevăr de comportamente externe. Cercetătorii construiesc o înțelegere substanțială a interacțiunilor biofizice, moleculare și celulare ale neuronilor, dar relaționarea directă a acestor interacțiuni cu comportamentele exterioare este o provocare continuă în domeniu. "Proprietățile biofizice ale neuronilor sunt destul de bine cunoscute", a declarat Hyungbae Kwon, Ph.D., lider al grupului de cercetare la Institutul Max Planck din Florida pentru Neuroștiințe (MPFI). „Ceea ce nu știm bine este modul în care aceste conexiuni și comunicări ne declanșează comportamentul.”

Aceasta este întrebarea ambițioasă pe care dr. Kwon și laboratorul său își propun să o răspundă uitându-se la creier într-un mod cu totul nou. Într-un studiu publicat în jurnal Biotehnologia naturii în iunie 2017, Dongmin Lee, dr. și Jung Ho Hyun, Ph.D., cercetători post-doctorali în Kwon Lab, descriu un nou instrument pe care l-au dezvoltat pentru a identifica și controla neuronii. Noua tehnică, numită Calcium and Light-Induced Gene Handling Toolkit sau „Cal-Light”, permite cercetătorilor să observe și să manipuleze activitățile neuronale care stau la baza comportamentului cu specificitate nemaivăzută, permițând cercetătorilor să identifice cauzalitatea dintre activitatea neuronală și comportamentul .

Până acum, cercetătorii care doreau să observe activitatea neuronală în timp real foloseau adesea o tehnică numită imagistica cu calciu. Tehnica profită de faptul că neuronii care ard activ primesc un aflux de calciu. Etichetarea ionilor de calciu cu colorant fluorescent facilitează vizionarea lor în timp real, dar nu le leagă de populații neuronale specifice.

Cercetătorii de la Max Planck Florida Institute for Neuroscience au dezvoltat un instrument pentru identificarea și controlul neuronilor. Noua tehnică, numită Calcium and Light-Induced Gene Handling Toolkit sau „Cal-Light”, permite cercetătorilor să observe și să manipuleze activitățile neuronale care stau la baza comportamentului cu specificitate nemaivăzută, permițând cercetătorilor să identifice cauzalitatea dintre activitatea neuronală și comportamentul . Credit: Max Planck Florida Institute for Neuroscience

Bazându-se pe imagistica tradițională a calciului și pe tehnicile optogenetice recente pentru manipularea activității neuronale, sistemul Cal-Light leagă expresia genelor fluorescente atât de activitate cât și de lumină. Neuronii vor fluoresc numai dacă trag și un cercetător luminează o lumină specială asupra lor. Dacă cercetătorul oprește lumina, neuronii se vor opri din fluorescență, crescând semnificativ raportul semnal-zgomot și specificitatea temporală. Odată ce cercetătorii identifică o populație de celule implicate într-o anumită activitate folosind Cal-Light, ei pot folosi optogenetica pentru a manipula aceste celule. Acest lucru le permite să disecă comportamentele într-o manieră incredibil de precisă și chiar să ajute la dezvoltarea unor dovezi ale unor relații cauzale.

Pentru a arăta că tehnica Cal-Light este eficientă, grupul Dr. Kwon a testat-o ​​mai întâi în cultură celulară și apoi in vivo într-un model de șoarece. În model, echipa a folosit tehnica pentru a identifica, eticheta și manipula o populație de neuroni din cortexul motor care a tras atunci când un șoarece a împins o pârghie pentru a primi o recompensă ca răspuns la un stimul. Odată ce neuronii de interes au fost identificați și etichetați, echipa sa a prezentat stimulul mouse-ului în timp ce inhiba optogenetic grupul de neuroni. Când celulele au fost inhibate, șoarecele nu a mai apăsat pârghia, demonstrând că activitatea acestor celule a fost necesară pentru ca șoarecele să efectueze comportamentul.

(TOP) Pentru a eticheta populația neuronală legată de învățare, am antrenat șoarecii cu restricție de apă pentru a învăța comportamentul repetabil de apăsare a pârghiei pentru a obține recompense de apă. Fibrelor optice li s-au implantat ambele emisfere din zona M1 și laserul albastru a fost programat să fie pornit timp de 5 secunde ori de câte ori șoarecii apasă maneta. Odată ce lumina a fost aprinsă timp de 5 secunde, următoarea lumină albastră a fost interzisă în următoarele 25 de secunde, chiar dacă șoarecii apasă maneta. (BOTTOM) Imagini reprezentative din creierele șoarecilor antrenate cu sau fără distribuție cumulativă a luminii albastre a G / R la fiecare condiție (numai lumină: n = 448 celule / 8 șoareci Numai activitate: n = 585 celule / 9 șoareci Lumină + activitate: n = 504 celule / 11 șoareci) și graficul graficului graficului casetei rezumat (doar lumină: 0,32 și plusmn 0,09, n = 448 Numai activitate: 0,36 și plusmn 0,11, n = 585, p = 0,34 Lumină + activitate: 1,1 și plusmn 0,97, n = 504, p

Această tehnică nou dezvoltată oferă o oportunitate fără precedent prin etichetarea neuronilor care controlează acțiuni specifice și oferind mijloace de control al acestora. Potrivit dr. Kwon, „Tehnica Cal-Light oferă o oportunitate de a diseca circuitele neuronale care stau la baza comportamentelor complexe, a senzației și a cunoașterii și introduce un nou mod de abordare a întrebărilor complexe în neuroștiințe”.


1. Introducere

Figura 1: Exemplu al metodei noastre de vizualizare: explică de ce DCNN (GoogLeNet) prezice „cacatul”. Se arată dovezile pentru (roșu) și împotriva (albastru) predicție. Vedem că trăsăturile faciale ale cacatului sunt cele mai de sprijin pentru decizie, iar părțile corpului par să constituie dovezi împotriva acesteia. De fapt, clasificatorul le consideră cel mai probabil dovezi pentru a doua clasă cu cel mai mare punctaj, lupul alb.

În ultimii ani, rețelele neuronale profunde (DNN) au apărut ca metodă de alegere pentru sarcini perceptive, cum ar fi recunoașterea vorbirii și clasificarea imaginilor. În esență, un DNN este o funcție neliniară extrem de complexă, ceea ce face dificilă înțelegerea modului în care apare o anumită clasificare. Această lipsă de transparență este un impediment semnificativ pentru adoptarea învățării profunde în domeniile industriei, guvernului și asistenței medicale în care costul erorilor este ridicat.

Pentru a realiza promisiunea societală de învățare profundă - de exemplu, prin intermediul autoturismelor auto sau medicament personalizat - este imperativ ca clasificatorii să învețe să-și explice deciziile, indiferent dacă se află în laborator, clinică sau sala de judecată. În aplicațiile științifice, o mai bună înțelegere a dependențelor complexe învățate de rețelele profunde ar putea duce la noi perspective și teorii în domenii slab înțelese.

În această lucrare, prezentăm o metodologie nouă, probabilistică, solidă pentru explicarea deciziilor de clasificare luate de rețelele neuronale profunde. Metoda poate fi utilizată pentru a produce o hartă de salubritate pentru fiecare pereche (instanță, nod) care evidențiază părțile (caracteristicile) intrării care constituie cele mai multe dovezi pentru sau împotriva activării nodului dat (intern sau de ieșire). A se vedea figura 1 pentru un exemplu.

În următoarele două secțiuni, vom analiza lucrările conexe și apoi vom prezenta abordarea noastră. În secțiunea 4

oferim mai multe demonstrații ale tehnicii noastre pentru rețelele neuronale convoluționale profunde (DCNN) instruite pe datele ImageNet și în continuare modul în care metoda poate fi aplicată atunci când se clasifică scanările RMN cerebrale ale pacienților cu HIV cu boală neurodegenerativă.


Software de neuroștiințe

Instrumente software pentru cercetarea psihofizicii vizuale. Accentul acestor instrumente este cercetarea ambliopiei, dar ele pot fi utilizate în unele sarcini de cercetare a neuroștiințelor vizuale conexe.

  • Nume fișier: screencontrast2.jar
  • Autor: jpsychovis
  • Licență: Freeware (gratuit)
  • Dimensiune fișier: 19 Kb
  • Se execută pe: Windows Mac Linux

Neurospaces este un centru de dezvoltare pentru instrumente în neuroștiințe computaționale. A se vedea http: //www.neurospaces.

  • Nume fișier: developer-prealpha-1.tar.gz
  • Autor: neurospaces
  • Licență: Freeware (gratuit)
  • Dimensiune fișier: 154 Kb
  • Rulează pe: BSD Linux

NeurAnim este un ajutor de cercetare pentru neuroștiința de calcul. Este folosit pentru a vizualiza și anima simulările de rețea neuronală în 3D și pentru a reda filme ale acestor animații pentru a fi utilizate în prezentări ..

  • Nume fișier: neuranim-1.0-win.zip
  • Autor: neuranim
  • Licență: Freeware (gratuit)
  • Dimensiune fișier: 19,14 Mb
  • Se execută pe: Linux

PEBL (Psychology Experiment Building Language) este un sistem conceput pentru crearea psihologiei și neuroștiințe experimente și teste. Este multiplataforma, cu intenția de a rula același experiment, neschimbat, pe Linux, Windows și Macintosh. .

  • Nume fișier: PEBL_OSX.0.12.3.zip
  • Autor: pebl
  • Licență: Freeware (gratuit)
  • Dimensiune fișier: 29,8 Mb
  • Rulează pe: Windows BSD Linux

Site web de laborator pentru Dr. Jefferson Kinney de la Universitatea din Nevada din Las Vegas, specializat în neuroștiințe comportamentale, învățare și memorie și modele de boală alzheimer ..

  • Nume fișier: Kiney Lab
  • Autor: Nathan Van Arsdale
  • Licență: Freeware (gratuit)
  • Mărime fișier:
  • Se execută pe: Windows

Simulatorul de rețea neuronală Spiking (SpiNNSim) va fi o bibliotecă software Open Source pentru crearea de calcul neuroștiințe aplicații în limbajul de programare Java. Cadrul va susține animația și concurența.

  • Nume fișier: Spiking Neuronal Network Simulator
  • Autor: David Wallace Croft
  • Licență: Freeware (gratuit)
  • Mărime fișier:
  • Se execută pe: Windows

Proiectul BBrain își propune să dezvolte un design inovator al rețelei neuronale bazat pe noile descoperiri din Neuroștiințe și Biologie. Scopul final este de a emula un „creier” complet și conștient de sine bazat pe teoriile din școala de gândire a lui Dennet.

  • Nume fișier: BBrain
  • Autor: Behshad D Dumnezeu
  • Licență: Freeware (gratuit)
  • Mărime fișier:
  • Se execută pe: Windows

O colecție de scripturi matlab pentru a sprijini experimentele de psihologie și analiza legată de neuroștiințe cognitive.

  • Nume fișier: AronMatlab
  • Author: Mike Claffey
  • License: Freeware (Free)
  • File Size:
  • Runs on: Windows

OpenGL based , OS-independent C++ library for the presentation of visual stimuli in Neuroscience experiments..

  • File Name: neurostim
  • Author: Bart Krekelberg
  • License: Freeware (Free)
  • File Size:
  • Runs on: Windows

NeuraPy is now hosted on github This is a collection of Python modules that read files encountered in neuroștiințe experiments. Included are modules to read lablib files and modules to read Cyberkinetics Cerebus system .nev and .ns3 files. .

  • File Name: NeuraPy
  • Author: kghose github user
  • License: Freeware (Free)
  • File Size:
  • Runs on: Windows

Simulator of virtual animals made up of biological neural networks for research in the Computational Neuroscience field..

  • File Name: NeuroLife
  • Author: Gabriel Gonzalez
  • License: Freeware (Free)
  • File Size:
  • Runs on: Windows

Ablator is a suite of software that automates the microscopic detection of cell targets and also directs a 2-photon microscope to lesion these targets in arbitrary patterns for neuroștiințe research. See Hayes et al 2012 for an example of its usage .


Priveste filmarea: Inteligenta Artificiala. Curs 10. Retele Neuronale Artificiale partea 1 (August 2022).