Neuro-inspiración para el reconocimiento de patrones
22 de Enero de 2019
El reconocimiento de patrones es una tarea cognitiva que a los humanos se nos da especialmente bien; identificar un estímulo visual o auditivo (y poder actuar en consecuencia) es una cualidad imprescindible para la supervivencia de los seres vivos. Con esto en mente, es natural pensar que cualquier modelo neuronal que tenga como objetivo imitar los mecanismos del cerebro debe incluir esta característica en su dinámica.
Un grupo de investigadores, entre los que se encuentran científicos del IFISC (UIB-CSIC), ha publicado un estudio en la revista Frontiers in Neuroscience en el que proponen un nuevo modelo neuronal de detección capaz de aprender y reconocer patrones temporales en impulsos. Tanto el cerebro como el modelo neuronal propuesto basan su capacidad de aprendizaje en la plasticidad. La plasticidad permite la regulación de la intensidad entre la conexión entre las neuronas de la red; mediante la creación de nuevas conexiones y el fortalecimiento de otras se consigue que las respuestas frente al mismo estímulo varíen en el tiempo, es decir, la red neuronal aprende.
El modelo neuronal propuesto por los investigadores es una variación del conocido y comprobado Leaky Integrate-and-Fire (LIF) pero con un mecanismo de latencia añadido. Esta latencia introduce un tiempo de retraso entre el estímulo entrante en la neurona y la señal de salida de ésta, permitiendo así codificar la intensidad de la señal entrante en los tiempos de respuesta y aumentar las capacidades computacionales de la propia neurona por encima de su versión más simple. Características similares se encuentran en redes neuronales reales, como son las encargadas de los sistemas auditivo o visual. Lo novedoso del estudio radica en la adición de un nuevo parámetro de plasticidad: la red no solo puede ajustar la intensidad de la conexión entre neuronas, sino que además puede ajustar el tiempo de retraso que hay entre entrada y respuesta.
Para poder testear el modelo, los investigadores armaron una red neuronal capaz de reconocer pulsos de patrones pero que a su vez fuera capaz de autorregularse y aprender nuevas secuencias sin supervisión. Utilizaron dos tipos de datos para entrenar a la red neuronal: por una parte, simularon un gran número de estímulos artificiales que la red neuronal procesaba para aprender y clasificar. Por otro lado, también utilizaron datos reales de magneto-encefalogramas obtenidos de sujetos experimentales mientras realizaban una tarea de clasificación.
El estudio concluye que el modelo propuesto es plausible desde el punto de vista biológico, abriendo así la puerta a un mejor entendimiento de cómo los humanos aprendemos de secuencias repetidas en nuestros sistemas sensoriales. Por otro lado, la simplicidad y el bajo coste computacional del modelo propuesto en el estudio permitiría su implementación a gran escala para futuras aplicaciones en distintas áreas, como interfaces controladas mediante estímulos cerebrales, seguridad biométrica o detección temprana de enfermedades.
Susi, G.; Tioro, L.; Canuet, L., López, M. A., Maestú, F.; Mirasso, C. R. and Pereda, E. Frontiers in Neuroscience 12, (2018). DOI: 10.3389/fnins.2018.00780
