机器学习平台实时识别激活的神经元

杜克大学(Duke University)的生物医学工程师开发了一种自动过程，利用流线型人工智能(AI)识别视频中的活跃神经元，比目前的技术更快、更准确。

该技术应允许研究人员实时观察动物的大脑活动，因为它们表现得如此。

该作品将于5月20日出版自然机器智能。

研究人员研究活动的方式之一神经元在活动物是通过称为双光子钙成像的过程，这使得活性神经元显得呈闪光。然而，分析这些视频通常需要人类在一个名为分段的过程中看到的每个强度的每个强度。虽然这看起来很简单，但是这些突发通常在空间中重叠，其中成千上万的神经元同时成像。以这种方式分析了一个五分钟的视频可能需要数周甚至几个月。

“人们试图通过记录动物行为时神经元的活动来弄清楚大脑是如何工作的，以研究两者之间的关系，”论文的第一作者龚益阳(Yiyang Gong)说。“但手动分割产生了一个大瓶颈，不能让研究人员实时看到神经元的激活情况。”

龚凯是生物医学工程的助理教授，新浪·法尔休是生物医学工程的教授，他们之前在2019年的一篇论文中解决了这一瓶颈，他们在论文中分享了深度学习平台的开发，该平台可以在很短的时间内像人类一样准确地绘制活跃的神经元。但由于视频可能有几十gb，研究人员仍需等待数小时或数天才能处理它们。

现在，该团队正在让他们的平台实时运行。

“我们的目标是提高我们更聪明的方法，所以它可以针对视频中的重要数据而不是通过所有额外噪音来解析。”

为了使他们的方法更智能，该团队开发了信号处理算法，在被分析之前对数据进行预处理神经网络。这些算法有助于改善信号到-噪声比并去除视频中的背景波动，突出活跃的神经元，同时模糊不活跃的神经元和其他不必要的数据。

该团队还调整了他们的神经网络，以扫描更少的层，因为它不需要太多的数据来学习如何准确地识别和分割激活的神经元。

结果是一个具有异常升级的系统。它不仅比以前的工作速度快，而且它也略有准确。

由于他们的平台可以如此迅速地突出活跃的神经元，研究人员可以使用该工具实时检测神经元，并检查特定的激活模式如何与动物行为相匹配。由于工具在神经科学实验，该团队已经在网上发布了一个版本的网络。(链接请)

“比起等到实验结束，我们的网络速度让我们可以在实验过程中学习东西，”龚说。“我们现在有了一个新的潜力来探索不同种类的刺激如何影响神经元的激活和动物行为。”

该团队已经探索了继续改进其更广泛使用的工具的新方法。

“算法总是可以进一步使用进一步的优化，”龚说。“我们已经表明，这对两光粒钙成像进行了很好的作用，但是神经科学中有很多不同的光学显微镜，最终我们想制作一个神经网络，适用于所有这些成像模式。“

这项工作得到了大脑倡议（NIH 1UF1-NS107678，NSF 3332147），NIH新创新者计划（1DP2-NS115505），Beckman年轻调查员计划，Sloan奖学金和Vallee年轻调查员计划。该团队还承认Zhijing Zhu的早期表征太阳。