目錄[隱藏][顯示]
借助印度科學研究所 (IISc) 研究人員創建的基於 GPU 的新型機器學習算法,科學家們能夠更好地理解和預測不同大腦區域之間的聯繫。
該算法被稱為正則化、加速、線性束評估或 ReAl-LiFE,能夠有效分析人腦擴散磁共振成像 (dMRI) 掃描產生的大量數據。
該團隊使用 ReAL-LiFE 分析 dMRI 數據的速度比使用當前最先進技術快 150 倍以上。
大腦連接模型如何運作?
每一秒,大腦的數百萬個神經元都會放電,產生電脈衝,通過神經網絡(也稱為“軸突”)從大腦的一個部分移動到另一個部分。
為了讓大腦像計算機一樣發揮作用,這些連接是必要的。 然而,研究大腦連接的傳統方法通常涉及使用侵入性動物模型。
然而,dMRI 掃描提供了一種非侵入性的方法來檢查人類大腦的連接。
大腦的信息高速公路是連接各個區域的電纜(軸突)。 由於軸突束形成為管狀,因此水分子以定向方式沿著軸突束的長度移動。
連接組是跨越大腦的纖維網絡的詳細圖譜,可以通過 dMRI 實現,這使得研究人員能夠跟踪這一運動。
不幸的是,識別這些連接體並不簡單。 掃描數據僅顯示大腦中每個位置的水分子的淨流動。
將水分子視為汽車。 在不了解有關道路的任何信息的情況下,收集的唯一信息是汽車在每個時間點和地點的方向和速度。
通過監控這些交通模式,該任務相當於推斷道路網絡。 傳統方法將推斷連接組的預期 dMRI 信號與實際 dMRI 信號緊密匹配,以便正確識別這些網絡。
為了進行這種優化,科學家們早些時候創建了一種名為 LiFE(線性分冊評估)的算法,但其缺點之一是它在傳統的中央處理器 (CPU) 上運行,這使得計算非常耗時。
現實生活 是印度研究人員創建的革命性模型
最初,研究人員創建了一種名為 LiFE(線性筋膜評估)的算法來進行這種調整,但其缺點之一是它依賴於普通的中央處理單元(CPU),計算需要時間。
Sridharan 的團隊在最新研究中改進了他們的技術,以各種方式最大限度地減少所需的處理工作,包括消除冗餘連接和顯著提高 LiFE 的性能。
研究人員進一步完善了該技術,將其設計為可在圖形處理單元 (GPU) 上運行,GPU 是高端遊戲 PC 中使用的專用電子芯片。
這使得他們檢查數據的速度比以前的方法快 100-150 倍。 時間他的更新算法 ReAl-LiFE 還可以預測人類測試對象將如何行動或完成某項工作。
換句話說,利用算法為每個個體預測的鏈接強度,該團隊能夠解釋 200 個人樣本中行為和認知測試分數的差異。
這種分析也可以有醫學用途。” 大規模數據處理對於大數據神經科學應用變得越來越重要,特別是在了解健康的大腦功能和大腦疾病方面。
結論
總之,ReAl-LiFE 還可以預測人類測試對象將如何行動或完成某項工作。
換句話說,利用算法為每個個體預測的鏈接強度,該團隊能夠解釋 200 個人樣本中行為和認知測試分數的差異。
這種分析也可以有醫學用途。” 大規模數據處理對於大數據神經科學應用變得越來越重要,特別是在了解健康的大腦功能和大腦疾病方面。
發表評論