Метод использовал двухфотонную кальциевую визуализацию примерно 8000 нейронов на мышь, достигнув двукратной точности на уровне пикселей по сравнению с предыдущими методами.
Команда утверждает, что подход может раскрыть, как мозг искажает визуальную информацию, открывая пути для изучения восприятия у разных видов.
Комментарии редакции блога
Что важно понимать
Это не чтение мыслей. Метод восстанавливает:
то, что показывали животному,
по активности нейронов зрительной коры.
То есть это реконструкция визуального входа, а не произвольных образов из памяти.
Зачем это нужно
Авторы считают, что метод поможет:
изучать как мозг искажает визуальную информацию,
понять различия восприятия у разных видов,
улучшить модели нейронного кодирования зрения.
Резюме из ответов ИИ для редакция блога.
Редакция блога задавала уточняющие вопросы и получала ответы (вопросы были сконструированы так, чтобы конечный потребитель информации получил её в этом блоге):
[ограничение этого эксперимента — оно связано с тем, что 8000 нейронов на самом деле очень маленькая выборка, и из-за этого реконструкция может «галлюцинировать» детали. Это важный момент, который почти все СМИ опускают]
Сравнение оригинала и реконструкции
В эксперименте есть три этапа:
Мыши показывают реальное видео.
Записывают активность примерно 8000 нейронов в зрительной коре V1.
Алгоритм вычисляет какое изображение могло вызвать такую активность.
Результат — визуально похожий, но размытый и упрощённый ролик.
Сохраняются:
крупные формы
движение
контуры объектов
Теряются:
мелкие детали
текстуры
точные цвета/контраст
Поэтому совпадение частичное, а не буквальное.
2. Почему получается только приблизительно
Есть фундаментальные ограничения:
1. Считывается малая часть мозга
Записано ~8000 нейронов, а в зрительной коре мыши их миллионы.
2. Измеряется косвенный сигнал
Кальциевая визуализация фиксирует изменения концентрации Ca²⁺, а не сами спайки нейронов.
3. Зрительная кора кодирует признаки, а не пиксели
Нейроны реагируют на:
ориентацию линий
движение
контраст
пространственную частоту
То есть мозг не хранит картинку как матрицу пикселей.
3. Важный момент: модель действительно «предполагает»
Ваше наблюдение очень точное.
Алгоритм использует модель кодирования зрения:
Он знает, как нейроны обычно реагируют на разные изображения.
Затем ищет изображение, которое лучше всего объясняет наблюдаемую активность.
Это называется inverse problem (обратная задача).
Фактически алгоритм делает так:
"какая картинка могла вызвать такие нейронные сигналы?"
Поэтому часть изображения действительно достраивается моделью.
4. Поэтому вы правы в логике
Можно описать процесс так:
модель описывает, как мозг реагирует на изображения
мозг генерирует сигнал
модель ищет изображение, которое лучше всего объясняет сигнал
То есть реконструкция = данные мозга + статистические предположения модели.
Это не «чистое считывание картинки».
5. Почему это всё равно считается серьёзным результатом
Несмотря на ограничения, результат важен, потому что:
реконструкция динамического видео, а не одного кадра
улучшение точности примерно в 2 раза относительно прошлых методов
лучшее понимание нейронного кодирования движения
Для нейронауки это серьёзный прогресс.
Источник основной информации
Другие
Видеоролики, реконструированные на основе активности мозга мыши.
Комментариев нет:
Отправить комментарий