Desarrollan una metodología de clasificación de patrones temporales inspirada en el funcionamiento del cerebro que podría ayudar a comprender los mecanismos que subyacen en el aprendizaje biológico. En el equipo que ha concebido el método se encuentran investigadores de la Universidad Politécnica de Madrid (UPM).
Un equipo científico, formado por investigadores del Centro de Tecnología Biomédica (CTB) de la Univeridad Politécnica de Madrid (UPM), de la Universidad de la Laguna (ULL) y del Instituto de Física Interdisciplinar y Sistemas Complejos (IFISC, CSIC-UIB), ha generado un método novedoso para la detección de patrones temporales -basado en un sistema neuro-inspirado- y lo ha utilizado para clasificar señales cerebrales obtenidas por magnetoencefalografía. La metodología, que ha sido validada y aplicada a datos reales, podría arrojar luz sobre algunos mecanismos de almacenamiento de información en el cerebro.
Los humanos se desempeñan notablemente bien en muchas tareas cognitivas, incluido el reconocimiento de patrones, pero los mecanismos neuronales subyacentes a este proceso todavía no se conocen bien. Sin embargo, las redes neuronales artificiales inspiradas en circuitos cerebrales se han diseñado y utilizado para abordar tareas de reconocimiento de patrones espacio-temporales. El trabajo que han llevado a cabo los investigadores del Laboratorio de Neurociencia Cognitiva y Computacional (LNCyC) del CTB de la UPM, en colaboración con científicos de otras instituciones, es una estructura de detección de patrones que analiza secuencias temporales paralelas y, gracias al mecanismo de plasticidad sináptica incorporado en el modelo, es capaz de aprender las características distintivas de diferentes tipos de señales de interés.
El nombre de la estructura neuro-inspirada creada por el grupo es MNSD (multi neuronal spike-sequence detector). MNSD puede entrenarse on-line, a medida que recibe nuevos ejemplos, y no necesariamente aprendiendo todo el conjunto de datos de entrenamiento a la vez. Después de un número suficiente de ejemplos, MNSD aprende a distinguir secuencias temporales pertenecientes a una clase específica, discerniendo aquellas que tienen las características aprendidas de aquellas que no las tienen.
Esquema de la estructura MNSD. / UPM
El correcto funcionamiento de la estructura ha sido validado con datos simulados y posteriormente aplicado a datos reales (pruebas psicológicas realizadas en humanos para la evaluación del control inhibitorio). Los resultados muestran que las prestaciones de este método son similares a las obtenidas con otras técnicas de clasificación, lo que indica la efectividad de este nuevo enfoque. Pero, según indican los autores de la metodología, "lo más interesante es su bio-plausibilidad, que podría desvelar mecanismos de almacenamiento de información en el cerebro real".
Este método es capaz de trabajar de manera natural con secuencias temporales, aprendiendo los tiempos característicos involucrados en las series presentadas así como sus interrelaciones. Además, la misma técnica puede ser adaptada al reconocimiento de objetos, después de haber codificado apropiadamente sus características en el dominio del tiempo. Como señalan los investigadores del laboratorio de neurociencia cognitiva y computacional "la simplicidad y el bajo coste computacional del método desarrollado permiten una implementación a gran escala en aplicaciones de reconocimiento en tiempo real en varias áreas, como la autenticación biométrica o la detección temprana de enfermedades".
Referencia bibliográfica:
Susi, G., et al. 2018. A Neuro-Inspired System for Online Learning and Recognition of Parallel Spike Trains, Based on Spike Latency, and Heterosynaptic STDP. Frontiers in neuroscience. DOI: 10.3389/fnins.2018.00780
