Informations

Utilitaire ou logiciel pour visualiser le réseau neuronal ?

Utilitaire ou logiciel pour visualiser le réseau neuronal ?

J'utilise Octave pour générer un réseau de neurones avec une seule couche cachée et je l'enregistre sous forme de deux fichiers CSV.

Existe-t-il un utilitaire ou un logiciel qui chargera les fichiers et créera une image, une page PDF ou HTML qui affichera les poids sur les bords connectant les neurones ?


Si vous avez des fichiers CSV, un moyen rapide de générer des images serait de les ouvrir dans Excel (ou d'un tableur similaire) et d'utiliser une sorte de mise en forme conditionnelle d'échelle de couleurs (sous accueil> styles dans Microsoft Excel) - définissez la largeur et la hauteur de les cellules trop petites pour afficher toutes les données à la fois.

Vous pouvez également utiliser un graphique en surface afin de visualiser les données dans Excel.

Sinon, si vous connaissez un outil comme Matlab ou R, vous souhaiterez peut-être utiliser une sorte d'outil graphique pour le représenter, par ex. meshgrid dans Matlab pourrait fonctionner.

Matlab et/ou R peuvent être programmés pour charger plusieurs fichiers CSV et créer des graphiques à partir d'eux. Les deux premières techniques que j'ai mentionnées (bien qu'accessibles à un utilisateur d'ordinateur plus novice) doivent être effectuées manuellement.


Pour ce que ça vaut, j'ai fait beaucoup de recherches et je n'ai pas trouvé de solution.

J'ai donc créé le mien en utilisant HTML, jQuery et un canevas. Ce n'est pas joli, mais cela ne demande pas beaucoup de travail car la fonctionnalité est simple : Lorsque vous cliquez sur un nœud, affichez ses bords et les poids associés.


Logiciel d'intelligence artificielle Mac Open Source gratuit

Discuss.io fournit une plate-forme de conversation de bout en bout avec les consommateurs qui combine une vidéo de pointe avec des outils de recherche qualitative.

BugHerd est conçu et construit par des développeurs Web pour les développeurs, les concepteurs, les spécialistes du marketing et les chefs de projet.

Logiciel d'apprentissage automatique pour résoudre les problèmes d'exploration de données

JTDS - Pilote SQL Server et Sybase JDBC

Tesseract OCR

Tatou

bibliothèque C++ rapide pour l'algèbre linéaire et le calcul scientifique

Centralisez et rationalisez la gestion des impôts indirects dans toute l'entreprise.

TensorFlow

TensorFlow est une bibliothèque open source pour l'apprentissage automatique

ÉtiquetteImg

Outil d'annotation d'image graphique et cadres de délimitation de l'objet d'étiquette

Robocode

Robocode est un jeu de tank de programmation pour Java et .NET

AirSim

Un simulateur pour drones, voitures et plus, construit sur Unreal Engine

Outil d'annotation de vision par ordinateur (CVAT)

Outil interactif d'annotation de vidéos et d'images pour la vision par ordinateur

Zoho Assist, votre solution d'accès à distance tout-en-un, vous aide à accéder aux appareils distants et à les gérer.

Keras

API de réseaux de neurones basée sur Python

Intelligence de réseau neuronal

Boîte à outils AutoML pour automatiser le cycle de vie du machine learning

À visage découvert

Une boîte à outils d'analyse du comportement facial à la pointe de la technologie

Langage de programmation basé sur des règles CLIPS

Reconnaissance de visage

L'API de reconnaissance faciale la plus simple au monde pour Python et la ligne de commande


Les neuroscientifiques visualisent les circuits neuronaux à des profondeurs autrefois inaccessibles

Figure 2 : Visualisation de neurones marqués par fluorescence dans un volume rectangulaire englobant des cellules du cortex cérébral et de l'hippocampe. Cette image a été capturée avec une lentille spécialisée permettant une pénétration à une profondeur de 4 millimètres sous la surface du cerveau. Crédit : 2011 Atsushi Miyawaki

Une percée récente dans la préparation d'échantillons biologiques par des scientifiques du RIKEN Brain Science Institute à Wako pourrait donner à Astro Boy’s la vision aux rayons X’ une course pour son argent. En traitant des échantillons de tissus avec un mélange de produits chimiques facile à préparer, Atsushi Miyawaki, Hiroshi Hama et leurs collègues peuvent rendre le cerveau et d'autres tissus aussi clairs que du verre, une transformation réversible qui donne aux chercheurs une vue dégagée des cellules marquées par fluorescence qui résident à l'intérieur1 .

Pendant des décennies, les limites de la technologie disponible ont contrecarré les tentatives de cartographier les méandres vertigineux du cerveau. Les neuroscientifiques ont obtenu un certain succès dans des organismes plus simples, tels que le ver ou la mouche, en utilisant de minuscules lames pour décoller séquentiellement des bandes ultrafines de tissu, qui peuvent ensuite être imagées par microscopie électronique et réassemblées par ordinateur. Cependant, cette approche est beaucoup trop laborieuse et chronophage pour la reconstruction d'un système aussi complexe que le système nerveux des mammifères.

Des percées plus récentes dans la technologie de la microscopie optique et un arsenal en croissance rapide de protéines fluorescentes multicolores ont donné aux chercheurs de nouveaux outils puissants pour la cartographie du cerveau. En restreignant l'expression de marqueurs fluorescents spécifiques à des sous-ensembles particuliers de cellules, on peut clairement visualiser les circuits neuronaux dans leur contexte tridimensionnel naturel. Cependant, le tissu dense du cerveau a tendance à diffuser la lumière, limitant la profondeur à laquelle de telles stratégies d'imagerie peuvent pénétrer.

Plusieurs groupes de recherche ont développé des « agents de clarification » qui améliorent la transparence des échantillons biologiques, tels que l'alcool benzylique/benzoate de benzyle (BABB) et une solution exclusive connue sous le nom de FocusClear, mais chacun souffre de limitations importantes. "BABB est un solvant organique qui nécessite la déshydratation des échantillons pour être éliminés", explique Miyawaki. Il ajoute qu'un tel traitement peut réduire considérablement la fluorescence globale de l'échantillon, et FocusClear ne nettoie pas les échantillons de cerveau de souris [facilement]. en imagerie cérébrale de souris.

Le tartre a initialement émergé de l'observation fortuite et inattendue que les membranes composées du matériau fluorure de polyvinylidène, qui ressemblent normalement à des feuilles de papier blanc, deviennent complètement transparentes lorsqu'elles sont trempées dans une solution d'urée à haute concentration. En bricolant cette solution, Miyawaki et ses collègues sont arrivés à ScaleA2, un mélange qui réalise le même exploit avec les tissus biologiques.

ScaleA2 peut rendre un cerveau de souris essentiellement transparent en deux semaines (Fig. 1). Ce traitement fait également gonfler le tissu en raison de l'absorption d'eau, mais les chercheurs ont déterminé que les spécimens conservent leur forme et leurs proportions globales, suggérant que cette expansion n'affecte pas de manière significative la disposition des structures cellulaires imagées.

Dans un premier test de leur approche d'imagerie, Miyawaki et ses collègues ont découvert que les cellules des échantillons traités par ScaleA2 conservaient pleinement leurs marqueurs fluorescents, tandis que les tissus traités avec BABB produisaient un signal considérablement diminué. Plus important encore, la transparence induite par ScaleA2 a permis aux chercheurs de visualiser beaucoup plus profondément dans le cerveau qu'auparavant, même en utilisant des approches microscopiques standard à un photon qui sont généralement vulnérables à la diffusion et aux interférences de l'image d'arrière-plan.

"Bien que la limite de profondeur d'imagerie de la microscopie à fluorescence à excitation à deux photons soit généralement d'environ 0,7 millimètre dans le cerveau, nous avons pu imager des neurones fluorescents avec Scale down jusqu'à une profondeur de 2 millimètres sous la surface du cerveau", explique Miyawaki. En concevant une lentille de microscope spécialisée, ils ont pu pénétrer encore plus loin, jusqu'à une distance de travail sans précédent de 4 millimètres sous la surface du cerveau (Fig. 2). Le niveau de détail obtenu avec ScaleA2 s'est avéré suffisant pour que les chercheurs cartographient les connexions axonales entre les neurones du corps calleux, le pont entre les hémisphères du cerveau, et leur a également permis d'analyser l'interaction entre les cellules souches neurales et le système vasculaire au sein du développement. cerveau de souris.

Figure 1 : Après deux semaines de traitement avec ScaleA2, le cerveau de la souris est suffisamment transparent (à gauche) pour être facilement traversé par la lumière d'un faisceau laser (à droite). Crédit : 2011 H. Hama et al.

Étant donné que tous les spécimens ne sont pas créés égaux, Miyawaki et ses collègues ont également expérimenté des formulations d'échelle alternatives pour des applications d'imagerie spécialisées. L'un d'entre eux, ScaleU2, nécessite une incubation plus longue des échantillons, mais entraîne une moindre expansion tissulaire et peut donc offrir des avantages pour une utilisation avec des échantillons embryonnaires ou d'autres tissus fragiles. Dans une expérience préliminaire sur des embryons de souris âgés de 13,5 jours, les chercheurs ont utilisé ScaleU2 pour visualiser les régions de division cellulaire active dans la partie diencéphale du cerveau antérieur.

Il est important de noter que les effets du traitement à l'échelle se sont avérés entièrement réversibles et que les échantillons récupérés de la compensation se sont avérés impossibles à distinguer de leurs homologues non nettoyés, réaffirmant l'impact minimal de ce traitement sur la structure des tissus.

Une vision claire de l'avenir

Certains chercheurs ont conçu des stratégies particulièrement ambitieuses pour la cartographie des circuits neuronaux, comme la souris « Brainbow » développée à la Harvard Medical School, qui combine un grand nombre de protéines fluorescentes différentes pour transformer le cerveau de la souris en un spectacle de lumière éblouissant dans lequel pratiquement tous les neurones se démarque nettement de ses voisins. Miyawaki pense que Scale devrait s'avérer très complémentaire à de tels efforts. "Toutes les protéines fluorescentes que nous avons testées jusqu'à présent sont résistantes à de fortes concentrations d'urée et devraient être utilisables", dit-il, "et donc cette approche devrait être compatible avec Brainbow."

Son équipe est déjà engagée dans des collaborations pour appliquer Scale à des investigations ciblées chez la souris. Bien que les travaux décrits à ce jour se soient concentrés sur les marqueurs fluorescents génétiquement exprimés, cette approche devrait également être compatible avec d'autres méthodologies de marquage. Une fois ces techniques développées, Scale devrait s'avérer efficace pour travailler avec de plus grands échantillons de tissus obtenus à partir d'espèces qui ne se prêtent pas facilement à une modification génétique, comme les primates.

La plus grande limitation observée par Miyawaki à l'heure actuelle est la nécessité de travailler avec des tissus « morts » 146, mais il suggère que même cela peut changer. “Scale est actuellement limité aux échantillons biologiques fixes”, dit-il, “mais à un moment donné dans le futur, il pourrait y avoir ‘live Scale’.”


Logiciel d'intelligence artificielle Windows Open Source gratuit

Transférez facilement les factures et les factures d'abonnement vers votre système comptable.

La technologie n°1 du bien-être total

Logiciel d'apprentissage automatique pour résoudre les problèmes d'exploration de données

DeepFaceLab

Le logiciel leader pour la création de deepfakes

Programmation sans technologie de codage

Créez des logiciels sans écrire une seule ligne de code

JTDS - Pilote SQL Server et Sybase JDBC

Connectez-vous instantanément et directement à votre public via la messagerie texte à grande échelle.

Tesseract OCR

Tatou

bibliothèque C++ rapide pour l'algèbre linéaire et le calcul scientifique

TensorFlow

TensorFlow est une bibliothèque open source pour l'apprentissage automatique

ÉtiquetteImg

Outil d'annotation d'image graphique et cadres de délimitation de l'objet d'étiquette

Robocode

Robocode est un jeu de tank de programmation pour Java et .NET

Paiement hébergé, intégration d'API ou extension de commerce électronique - nous avons ce qu'il vous faut.


Comment visualiser un réseau de neurones

Je veux dessiner une image dynamique d'un réseau de neurones pour observer les changements de poids et l'activation des neurones pendant l'apprentissage. Comment pourrais-je simuler le processus en Python ?

Plus précisément, si la forme du réseau est : [1000, 300, 50], alors je souhaite dessiner un NN à trois couches qui contient respectivement 1000, 300 et 50 neurones. De plus, j'espère que l'image pourrait refléter la saturation des neurones sur chaque couche à chaque époque.

Je n'ai aucune idée de comment faire. Quelqu'un peut-il m'éclairer ?


Discussion

Dans cette étude, nous avons créé un atlas à facettes pour organiser et résumer l'état actuel de la mesure des traits de personnalité au niveau des facettes. Pour illustrer l'utilité de cet atlas, nous avons examiné la prévalence des facettes mixtes, identifié les facettes centrales et périphériques pour chacun des Big Five, et exploré comment les chercheurs peuvent utiliser cet atlas de facettes pour mieux comprendre des constructions et des mesures particulières. Dans ce qui suit, nous discutons des implications de cette recherche pour l'évaluation appliquée de la personnalité et notre compréhension conceptuelle de la structure des traits de personnalité.

La prévalence des facettes mixtes

La plupart des échelles (59 %) contenaient un mélange de plusieurs domaines Big Five. Bien que nous ne soyons certainement pas les premiers à souligner le manque de structure simple dans la hiérarchie de la personnalité (voir [11,15,30]), les chercheurs en personnalité fondamentale et appliquée semblent réticents à intégrer cette réalité complexe et mixte dans l'évaluation et la théorie de la personnalité, comme en témoigne la structure simple impliquée dans la plupart des mesures de personnalité non-circumplicial (par exemple [8,10,12]). Reconnaître plus pleinement la prévalence du contenu mixte dans les échelles de facettes peut augmenter la commensurabilité entre les mesures et améliorer les théories structurelles.

Les résultats ont également indiqué que trois combinaisons de domaines spécifiques étaient généralement représentées par des mélanges. L'un d'eux, le mélange entre amabilité et extraversion, reflète le célèbre circumplex interpersonnel [23]. Deux autres mélanges, entre l'agréabilité et le névrosisme et entre la conscience et l'ouverture, étaient également courants mais ont reçu moins d'attention empirique. Des mélanges d'agréabilité et de névrosisme peuvent former un cercle circonscrit mesurant les tendances affectives interpersonnelles [31]. La conceptualisation d'un tel circumplex peut être utile dans le diagnostic et le traitement des problèmes interpersonnels. Le mélange entre la conscience et l'ouverture peut former un cercle circonscrit autour du système de valeurs d'une personne (C élevé O élevé = développement de l'ego, C élevé faible O = rigidité, faible C élevé O = non conventionnel, faible O faible C = désengagement). Ce circonplexe peut être utile pour comprendre les aspects humanistes de la personnalité et peut aider à synthétiser la recherche sur la personnalité des Big Five avec celle sur le développement de l'ego (par exemple, [63]).

Deux types particuliers de mélanges de facettes, entre extraversion et ouverture, et entre amabilité et conscience, étaient rares dans cet atlas à facettes. Ce résultat était relativement surprenant, car ces deux paires de domaines sont généralement corrélées [4, 13]. La rareté des mélanges entre les facettes d'extraversion et d'ouverture ne semble pas refléter l'espace vide, car nous avons identifié quelques mélanges positifs (excitabilité exploratoire TCI et leadership AB5C) et quelques mélanges contrastés (introspection AB5C et sociabilité). De plus, des recherches circonplicielles antérieures ont également révélé que les facettes mesurant l'ingéniosité, la créativité et le leadership audacieux mesurent un mélange de grande ouverture et de grande extraversion [30,64]. Il semble plutôt que les échelles mesurant des mélanges d'extraversion et d'ouverture soient tout simplement rares. Développer des échelles qui mesurent explicitement un mélange de ces traits peut être utile, car ils forment le métatrait de la plasticité et ont été théorisés pour fonctionner en tandem dans le cadre du système d'approche [65]. En comparaison, l'absence de contenu mixte entre l'agréabilité et la conscience peut refléter un espace de traits nécessairement plus clairsemé. Nous avons trouvé un mélange négatif (rationalité AB5C) et trois mélanges positifs (obligeance AB5C, moralité AB5C et équité HEXACO), et d'autres recherches ont également eu du mal à identifier le contenu mélangé entre ces deux traits [65]. Nous remarquons que chacune de ces quatre facettes connote une sorte d'adhésion à des règles centrées sur les relations interpersonnelles, ce qui est un comportement courant dans la vie de tous les jours mais ne semble pas bien encodé dans le langage des différences individuelles stables (comme en témoigne le fait que nous ne peut pas identifier un seul terme adjectif pour décrire ce genre de comportement). Les recherches futures pourraient vouloir approfondir l'espace de la personnalité occupé par un mélange d'agréabilité et de conscience, et développer des échelles qui mesurent explicitement ce contenu. Cela pourrait augurer d'une approche plus globale de l'évaluation de la personnalité.

Les cœurs de chaque domaine

Nous avons identifié les facettes les plus centrales et périphériques dans chaque domaine des Big Five en calculant la force de chaque facette au sein du réseau respectif. Un ensemble hétérogène de facettes caractérise les cinq noyaux de domaine. Par exemple, le noyau de la conscience contenait des facettes mesurant le contenu, notamment la maîtrise, la détermination et l'organisation. Ces résultats identifient des cas de jingle et jangle dans les noms de facettes. Par exemple, AB5C sociabilité était situé au cœur de l'extraversion et du JPI sociabilité était dans la périphérie, bien qu'ils partagent le même nom. Ce modèle de résultats met également en évidence la difficulté inhérente à identifier un seul « noyau » conceptuel pour chacun des grands domaines des cinq grands. Au contraire, le noyau d'un domaine peut être mieux compris comme une collection de facettes, et le positionnement des facettes peut être mieux fait en termes relatifs (par exemple, comme "plus de noyau" ou "plus périphérique" qu'une autre facette.)

Nous avons également constaté que, dans chaque domaine, les estimations de centralité du réseau étaient fortement corrélées avec la valeur absolue des saturations factorielles dans ce domaine (rs = 0,71 à 0,86). L'ampleur de cette corrélation, bien que plus petite que les corrélations proches de l'unité entre ces deux paramètres lorsqu'elles sont estimées dans des études de simulation [66], suggère que des informations similaires sont glanées à partir des deux types d'analyses (nous notons que les simulations ont estimé les réseaux sur la base de corrélations partielles , alors que nous avons estimé les réseaux sur la base de corrélations complètes). La principale source de divergence entre les deux estimations vient probablement du fait que l'analyse factorielle résume la façon dont les facettes sont similaires en termes de leurs associations avec un seul domaine plus large des Big Five, tandis que les estimations de la centralité de la force résument toutes les sources de similitude et de différence entre chaque paire de facettes. Par exemple, l'acceptation sociale TCI et l'empathie AB5C sont toutes deux fortement chargées d'un facteur d'agrément latent, mais cette association est encore plus forte en raison d'une charge secondaire partagée sur l'ouverture, qui est uniquement capturée dans les estimations de la force du réseau. Dans l'ensemble, ce chevauchement entre les résultats de l'analyse factorielle et de l'analyse de réseau suggère que les deux méthodologies partagent de nombreuses caractéristiques, en particulier lorsque les analyses de réseau sont basées sur des corrélations transversales.

Les périphéries de chaque domaine

Alors qu'une grande attention a été accordée à l'identification des noyaux de chacun des domaines des cinq grands, cette étude a été l'une des premières à examiner les facettes périphériques des cinq domaines. Les résultats ont indiqué que chaque domaine contenait un contenu périphérique substantiel qui était couvert par peu de mesures. Avec les recherches antérieures [34, 36], cela suggère que la plupart des mesures de personnalité modernes ont une étendue idiosyncratique dans leur couverture de contenu. Par exemple, le NEO-PI-R et le HPI mesurent confiance, une facette de l'agréabilité, mais pas les autres mesures hiérarchiques de la personnalité de l'ESCS. Ces différences dans la couverture du contenu périphérique peuvent expliquer, en partie, les corrélations modérées qui ont été signalées pour différentes mesures du même domaine des Big Five (par exemple, aussi faibles que r = 0,66 dans [10]). Les recherches futures qui se concentrent sur la périphérie des domaines de traits peuvent aider à résoudre les différences dans les scores de domaine à partir de différentes mesures, clarifier comment différents instruments sont plus ou moins efficaces pour tenir compte de certains traits et améliorer les efforts pour évaluer de manière globale la personnalité.

Limites

Les principales limites de cette recherche concernent la composition de l'ESCS. L'échantillon est ethniquement homogène, plus de 98% des participants sont blancs, tous sont américains et la plupart sont d'âge moyen. Comme la structure des traits de personnalité, en particulier au niveau des facettes, ne se généralise pas à travers les cultures [67] ou les groupes d'âge [68], les chercheurs doivent être prudents lorsqu'ils généralisent cet atlas à différents groupes de personnes. De manière plus générale, l'ESCS a été largement utilisé dans les examens antérieurs de la structure de la personnalité (par exemple [10, 12, 30)]) parce que les participants ont effectué une si grande variété de mesures de la personnalité. L'effet secondaire malheureux de cette dépendance excessive à l'ESCS et aux échantillons de composition similaire est que nos recherches sur la structure de la personnalité excluent souvent des populations non blanches plus larges, même aux États-Unis. Pour rectifier cela, les futurs travaux qui collectent des données utilisées pour étudier la structure de la personnalité à l'aide de nombreuses échelles de facettes doivent se concentrer activement sur la diversité de l'échantillon (comme [69]). Nous attendons avec impatience de futurs atlas plus représentatifs.

De plus, tous les instruments de cette étude étaient des questionnaires d'auto-évaluation, et les résultats peuvent différer selon l'utilisation d'une méthode différente. De plus, certaines échelles de facettes ont été mesurées avec peu d'éléments, et cette brièveté introduit un manque de fiabilité de la mesure. Nous avons corrigé cela en utilisant la fiabilité alpha de chaque échelle, mais cette correction approximative est relativement conservatrice et peut ne pas restaurer chaque corrélation à son ampleur réelle. Ainsi, les corrélations entre les facettes mesurées avec des échelles brèves peuvent être quelque peu atténuées.


Pour vous montrer comment visualiser un modèle Keras, je pense qu'il est préférable que nous en discutions d'abord.

Aujourd'hui, nous allons visualiser le réseau de neurones convolutifs que nous avons créé précédemment pour démontrer les avantages de l'utilisation des CNN par rapport aux réseaux densément connectés.

Voici le code de ce modèle :

Je vous suggère de lire le message si vous souhaitez le comprendre très profondément, mais je le couvrirai brièvement ici.

Il classe simplement l'ensemble de données MNIST. Cet ensemble de données contient des images de chiffres 28 x 28 pixels, ou des nombres compris entre 0 et 9, et notre CNN les classe avec une précision stupéfiante de 99%. Pour ce faire, il combine deux blocs convolutifs (qui se composent d'une couche convolutive bidimensionnelle, d'un pooling maximal bidimensionnel et d'un abandon) avec des couches densément connectées. C'est le meilleur des deux mondes en termes d'interprétation de l'image et générer des prédictions finales.


Des chercheurs développent une technique pour visualiser et contrôler les activités neuronales qui sous-tendent le comportement

Schéma du système Cal-Light. Les protéines M13 et calmoduline sont fusionnées à l'extrémité c-terminale et à l'extrémité n-terminale de la protéase TEV (TEV-C et TEV-N), respectivement. Lorsque Ca2+ apparaît dans le cytosol, M13 et la calmoduline se lient l'une à l'autre et par la suite TEV-C et TEV-N retrouvent leurs fonctions protéolytiques. Cependant, la protéase TEV ne peut pas reconnaître facilement TEVseq dans un état sombre, car TEVseq est inséré à l'extrémité c-terminale de l'hélice J AsLOV2. La lumière bleue provoque un changement de conformation de l'hélice J rendant TEVseq démasqué. Le tTA clivé effectue une translocation vers le noyau et initie l'expression des gènes. Crédit: Max Planck Florida Institute for Neuroscience

Depuis que les scientifiques ont commencé à étudier le cerveau, ils se demandent si la biologie qu'ils ont observée peut vraiment être liée à des comportements externes. Les chercheurs développent une compréhension substantielle des interactions biophysiques, moléculaires et cellulaires des neurones, mais relier directement ces interactions aux comportements extérieurs est un défi permanent dans le domaine. "Les propriétés biophysiques des neurones sont assez bien connues", a déclaré Hyungbae Kwon, Ph.D., chef de groupe de recherche au Max Planck Florida Institute for Neuroscience (MPFI). "Ce que nous ne savons pas bien, c'est comment ces connexions et communications déclenchent notre comportement."

C'est la question ambitieuse à laquelle le Dr Kwon et son laboratoire tentent de répondre en regardant le cerveau d'une toute nouvelle manière. Dans une étude publiée dans la revue Biotechnologie naturelle en juin 2017, Dongmin Lee, Ph.D. et Jung Ho Hyun, Ph.D., chercheurs post-doctoraux au Kwon Lab, décrivent un nouvel outil qu'ils ont développé pour identifier et contrôler les neurones. La nouvelle technique, appelée Calcium and Light-Induced Gene Handling Toolkit ou "Cal-Light", permet aux chercheurs d'observer et de manipuler les activités neuronales sous-jacentes au comportement avec une spécificité jamais vue auparavant, permettant, espérons-le, aux chercheurs d'identifier la causalité entre l'activité neuronale et le comportement. .

Jusqu'à présent, les chercheurs qui voulaient observer l'activité neuronale en temps réel utilisaient souvent une technique appelée imagerie calcique. La technique tire parti du fait que les neurones qui tirent activement reçoivent un afflux de calcium. Le marquage des ions calcium avec un colorant fluorescent facilite leur observation en temps réel, mais ne les lie pas à des populations neuronales spécifiques.

Des chercheurs du Max Planck Florida Institute for Neuroscience ont développé un outil pour identifier et contrôler les neurones. La nouvelle technique, appelée Calcium and Light-Induced Gene Handling Toolkit ou "Cal-Light", permet aux chercheurs d'observer et de manipuler les activités neuronales sous-jacentes au comportement avec une spécificité jamais vue auparavant, permettant, espérons-le, aux chercheurs d'identifier la causalité entre l'activité neuronale et le comportement. . Crédit: Max Planck Florida Institute for Neuroscience

S'appuyant sur l'imagerie calcique traditionnelle et les techniques optogénétiques récentes pour manipuler l'activité neuronale, le système Cal-Light relie l'expression des gènes fluorescents à la fois à l'activité et à la lumière. Les neurones ne seront fluorescents que s'ils se déclenchent et qu'un chercheur les éclaire d'une lumière spéciale. Si le chercheur éteint la lumière, les neurones cesseront d'émettre de la fluorescence, augmentant considérablement le rapport signal sur bruit et la spécificité temporelle. Une fois que les chercheurs ont identifié une population de cellules impliquées dans une activité particulière à l'aide de Cal-Light, ils peuvent utiliser l'optogénétique pour manipuler ces cellules. Cela leur permet de disséquer les comportements d'une manière incroyablement précise et peut-être même d'aider à développer des preuves de relations causales.

Pour montrer que la technique Cal-Light est efficace, le groupe du Dr Kwon l'a d'abord testée en culture cellulaire, puis in vivo dans un modèle murin. Dans le modèle, l'équipe a utilisé la technique pour identifier, étiqueter et manipuler une population de neurones dans le cortex moteur qui se sont déclenchés lorsqu'une souris a poussé un levier pour recevoir une récompense en réponse à un stimulus. Une fois les neurones d'intérêt identifiés et étiquetés, son équipe a présenté le stimulus à la souris tout en inhibant de manière optogénétique le groupe de neurones. Lorsque les cellules étaient inhibées, la souris n'appuyait plus sur le levier, démontrant que l'activité de ces cellules était nécessaire pour que la souris réalise le comportement.

(HAUT) Pour étiqueter la population neuronale liée à l'apprentissage, nous avons entraîné des souris restreintes en eau à apprendre un comportement répétitif de pression sur le levier pour obtenir des récompenses en eau. Des fibres optiques ont été implantées dans les deux hémisphères de la zone M1 et le laser bleu a été programmé pour être allumé pendant 5 secondes chaque fois que les souris appuient sur le levier. Une fois la lumière allumée pendant 5 secondes, la lumière bleue suivante a été interdite pendant les 25 secondes suivantes, même si les souris appuient sur le levier. (EN BAS) Images représentatives de cerveaux de souris entraînés avec ou sans lumière bleue distribution cumulative de G/R à chaque condition (Lumière uniquement : n = 448 cellules / 8 souris Activité uniquement : n = 585 cellules / 9 souris Lumière + activité : n = 504 cellules / 11 souris) et un graphique à moustaches récapitulatif de G/R (Lumière uniquement : 0,32 ± 0,09, n = 448 Activité seule : 0,36 ± 0,11, n = 585, p = 0,34 Lumière + Activité : 1,1 ± 0,97, n = 504, p

Cette technique nouvellement développée offre une opportunité sans précédent en étiquetant les neurones qui contrôlent des actions spécifiques et en fournissant des moyens de les contrôler. Selon le Dr Kwon, "La technique Cal-Light offre une opportunité de disséquer les circuits neuronaux qui sous-tendent les comportements, les sensations et la cognition complexes et introduit une nouvelle façon d'aborder des questions complexes en neurosciences."


1. Introduction

Figure 1 : Exemple de notre méthode de visualisation : explique pourquoi le DCNN (GoogLeNet) prédit « cacatoès ». Montré est la preuve pour (rouge) et contre (bleu) la prédiction. Nous voyons que les traits du visage du cacatoès sont les plus favorables à la décision, et des parties du corps semblent constituer des preuves contre elle. En fait, le classificateur les considère très probablement comme une preuve de la deuxième classe de score la plus élevée, le loup blanc.

Au cours des dernières années, les réseaux de neurones profonds (DNN) sont devenus la méthode de choix pour les tâches perceptives telles que la reconnaissance vocale et la classification d'images. Essentiellement, un DNN est une fonction non linéaire très complexe, ce qui rend difficile la compréhension de la manière dont une classification particulière se produit. Ce manque de transparence est un obstacle important à l'adoption de l'apprentissage en profondeur dans les domaines de l'industrie, du gouvernement et de la santé où le coût des erreurs est élevé.

Afin de réaliser la promesse sociétale de l'apprentissage en profondeur - par exemple, grâce à des voitures autonomes ou à la médecine personnalisée - il est impératif que les classificateurs apprennent à expliquer leurs décisions, que ce soit en laboratoire, à la clinique ou au tribunal. Dans les applications scientifiques, une meilleure compréhension des dépendances complexes apprises par les réseaux profonds pourrait conduire à de nouvelles connaissances et théories dans des domaines mal compris.

Dans cet article, nous présentons une nouvelle méthodologie probabiliste pour expliquer les décisions de classification prises par les réseaux de neurones profonds. La méthode peut être utilisée pour produire une carte de saillance pour chaque paire (instance, nœud) qui met en évidence les parties (caractéristiques) de l'entrée qui constituent la plupart des preuves pour ou contre l'activation du nœud donné (interne ou de sortie). Voir la figure 1 pour un exemple.

Dans les deux sections suivantes, nous passons en revue les travaux connexes, puis présentons notre approche. Dans l'article 4

nous fournissons plusieurs démonstrations de notre technique pour les réseaux de neurones convolutifs profonds (DCNN) formés sur des données ImageNet, et comment la méthode peut être appliquée lors de la classification des scintigraphies cérébrales IRM de patients VIH atteints d'une maladie neurodégénérative.


Logiciel de neurosciences

Outils logiciels pour la recherche en psychophysique visuelle. L'objectif de ces outils est la recherche sur l'amblyopie, mais ils peuvent être utilisés dans certaines tâches de recherche connexes en neurosciences visuelles.

  • Nom du fichier : screencontrast2.jar
  • Auteur : jpsychovis
  • Licence : Logiciel gratuit (gratuit)
  • Taille du fichier : 19 Ko
  • Fonctionne sur : Windows Mac Linux

Neurospaces est un centre de développement d'outils en neurosciences computationnelles. Voir http://www.neurospaces.

  • Nom du fichier : developer-prealpha-1.tar.gz
  • Auteur : neurospaces
  • Licence : Logiciel gratuit (gratuit)
  • Taille du fichier : 154 Ko
  • Fonctionne sur : BSD Linux

NeurAnim est une aide à la recherche pour les neurosciences computationnelles. Il est utilisé pour visualiser et animer des simulations de réseaux de neurones en 3D, et pour restituer des films de ces animations à utiliser dans des présentations.

  • Nom du fichier : neuranim-1.0-win.zip
  • Auteur : neuranim
  • Licence : Logiciel gratuit (gratuit)
  • Taille du fichier : 19,14 Mo
  • Fonctionne sur : Linux

PEBL (Psychology Experiment Building Language) est un système conçu pour créer de la psychologie et neurosciences expériences et tests. Il est multiplateforme, avec l'intention d'exécuter la même expérience, inchangée, sur Linux, Windows et Macintosh. .

  • Nom du fichier : PEBL_OSX.0.12.3.zip
  • Auteur : pebl
  • Licence : Logiciel gratuit (gratuit)
  • Taille du fichier : 29,8 Mo
  • Fonctionne sur : Windows BSD Linux

Site Web du laboratoire du Dr Jefferson Kinney de l'Université du Nevada à Las Vegas, spécialisé dans les neurosciences comportementales, l'apprentissage et la mémoire, et les modèles de la maladie d'Alzheimer.

  • Nom du fichier : Kiney Lab
  • Auteur : Nathan Van Arsdale
  • Licence : Logiciel gratuit (gratuit)
  • Taille du fichier:
  • Fonctionne sur : Windows

Le Spiking Neuronal Network Simulator (SpiNNSim) sera une bibliothèque logicielle Open Source permettant de créer des neurosciences applications dans le langage de programmation Java. Le framework prendra en charge l'animation et la concurrence.

  • Nom du fichier : Spiking Neuronal Network Simulator
  • Auteur : David Wallace Croft
  • Licence : Logiciel gratuit (gratuit)
  • Taille du fichier:
  • Fonctionne sur : Windows

Le projet BBrain vise à développer une conception de réseau neuronal innovante basée sur les nouvelles découvertes dans Neurosciences et Biologie. Le but ultime est d'imiter un "cerveau" complet et conscient de lui-même basé sur les théories de l'école de pensée de Dennet.

  • Nom du fichier : BBrain
  • Auteur: Behshad D God
  • Licence : Logiciel gratuit (gratuit)
  • Taille du fichier:
  • Fonctionne sur : Windows

A collection of matlab scripts to support psychology experiments and cognitive neuroscience related analysis.

  • File Name: 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 neuroscience expériences. 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 neuroscience recherche. See Hayes et al 2012 for an example of its usage .


Voir la vidéo: Introduction aux mathématiques des réseaux de neurones (Décembre 2021).