Información

¿Utilidad o software para visualizar la red neuronal?

¿Utilidad o software para visualizar la red neuronal?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Estoy usando Octave para generar una red neuronal con una sola capa oculta y guardarla como dos archivos CSV.

¿Existe alguna utilidad o software que cargue los archivos y cree una imagen, una página PDF o HTML que muestre los pesos sobre los bordes que conectan las neuronas?


Si tiene archivos CSV, una forma rápida de generar imágenes sería abrirlo en Excel (o un software de hoja de cálculo similar) y usar algún tipo de formato condicional de escala de color (en Inicio> estilos en Microsoft Excel): establezca el ancho y la altura de las celdas a pequeñas para ver todos los datos a la vez.

También puede utilizar un gráfico de superficie para visualizar los datos en Excel.

De lo contrario, si está familiarizado con una herramienta como Matlab o R, es posible que desee utilizar algún tipo de herramienta gráfica para representarla, p. meshgrid en Matlab podría funcionar.

Matlab y / o R se pueden programar para cargar varios archivos CSV y crear gráficos a partir de ellos. Las dos primeras técnicas que mencioné (aunque accesibles para un usuario de computadora más novato) deben llevarse a cabo manualmente.


Por lo que vale, investigué mucho y no encontré una solución.

Así que creé el mío usando HTML, jQuery y un lienzo. No es bonito, pero no requiere mucho trabajo porque la funcionalidad es simple: cuando hace clic en un nodo, muestra sus bordes y los pesos asociados.


Software gratuito de inteligencia artificial para Mac de código abierto

Discuss.io ofrece una plataforma de conversación con el consumidor de un extremo a otro que combina videos líderes en la industria con herramientas de investigación cualitativa.

BugHerd está diseñado y construido por desarrolladores web para desarrolladores, diseñadores, comercializadores y gerentes de proyectos.

Software de aprendizaje automático para resolver problemas de minería de datos

JTDS: controlador JDBC de SQL Server y Sybase

Tesseract OCR

Armadillo

biblioteca C ++ rápida para álgebra lineal y computación científica amp

Centralice y optimice la gestión de impuestos indirectos en toda la empresa.

TensorFlow

TensorFlow es una biblioteca de código abierto para el aprendizaje automático

LabelImg

Herramienta de anotación de imágenes gráficas y cuadros delimitadores de objetos de etiquetas

Robocode

Robocode es un juego de tanque de programación para Java y .NET

AirSim

Un simulador de drones, automóviles y más, construido sobre Unreal Engine

Herramienta de anotación de visión por computadora (CVAT)

Herramienta interactiva de anotación de imágenes y videos para visión artificial

Zoho Assist, su solución de acceso remoto todo en uno, lo ayuda a acceder y administrar dispositivos remotos.

Keras

API de redes neuronales basada en Python

Inteligencia de redes neuronales

Kit de herramientas de AutoML para automatizar el ciclo de vida del aprendizaje automático

Cara descubierta

Un conjunto de herramientas de análisis del comportamiento facial de última generación

Lenguaje de programación basado en reglas CLIPS

Reconocimiento facial

La api de reconocimiento facial más simple del mundo para Python y amp the command line


Los neurocientíficos visualizan los circuitos neuronales a profundidades que alguna vez fueron inalcanzables

Figura 2: Visualización de neuronas marcadas con fluorescencia dentro de un volumen rectangular que abarca células en la corteza cerebral y el hipocampo. Esta imagen fue capturada con una lente especializada que permite la penetración a una profundidad de 4 milímetros por debajo de la superficie del cerebro. Crédito: 2011 Atsushi Miyawaki

Un avance reciente en la preparación de muestras biológicas por científicos del RIKEN Brain Science Institute en Wako puede hacer que Astro Boy & # 146s & # 145x-ray vision & # 146 corra por su dinero. Al tratar muestras de tejido con una mezcla de sustancias químicas fácil de preparar, Atsushi Miyawaki, Hiroshi Hama y sus colegas pueden hacer que el cerebro y otros tejidos sean tan claros como el vidrio, una transformación reversible que brinda a los investigadores una vista sin obstrucciones de las células marcadas con fluorescencia que residen en su interior1 .

Durante décadas, los límites de la tecnología disponible han frustrado los intentos de mapear los vertiginosos giros y vueltas del cerebro. Los neurocientíficos han logrado cierto éxito en organismos más simples, como el gusano o la mosca, mediante el uso de pequeñas cuchillas para despegar secuencialmente tiras ultrafinas de tejido, que luego pueden obtenerse mediante microscopía electrónica y reensamblarse computacionalmente. Sin embargo, este enfoque es demasiado laborioso y requiere mucho tiempo para la reconstrucción de un sistema tan complejo como el sistema nervioso de los mamíferos.

Los avances más recientes en la tecnología de microscopía óptica y un arsenal de proteínas fluorescentes multicolores en rápido crecimiento han proporcionado a los investigadores nuevas y potentes herramientas para el mapeo cerebral. Al restringir la expresión de etiquetas fluorescentes específicas a subconjuntos particulares de células, se pueden visualizar claramente los circuitos neuronales dentro de su contexto natural y tridimensional; sin embargo, el tejido denso del cerebro tiende a dispersar la luz, lo que limita la profundidad a la que pueden alcanzar dichas estrategias de imagen. penetrar.

Varios grupos de investigación han desarrollado & # 145 agentes aclaradores & # 146 que mejoran la transparencia de las muestras biológicas, como el alcohol bencílico / bencil benzoato (BABB) y una solución patentada conocida como FocusClear, pero cada uno tiene limitaciones importantes. & # 147BABB es un disolvente orgánico que requiere la deshidratación de las muestras para su limpieza & # 148, dice Miyawaki. Agrega que dicho tratamiento puede disminuir en gran medida la fluorescencia general de la muestra, & # 147 y FocusClear no limpia las muestras de cerebro de ratón [fácilmente]. & # 148 En consecuencia, el desarrollo de su equipo & # 146 del reactivo que llaman & # 145Scale & # 146 podría abrir nuevas fronteras en imágenes de cerebro de ratón.

La escala surgió inicialmente de la inesperada y casual observación de que las membranas compuestas por el material fluoruro de polivinilideno, que normalmente se asemejan a hojas de papel blanco, se vuelven completamente transparentes cuando se sumergen en una solución de urea de alta concentración. Al jugar con esta solución, Miyawaki y sus colegas llegaron a ScaleA2, una mezcla que logra la misma hazaña con tejidos biológicos.

ScaleA2 puede hacer que el cerebro de un ratón sea esencialmente transparente en dos semanas (Fig. 1). Este tratamiento también hace que el tejido se hinche como resultado de la absorción de agua, pero los investigadores determinaron que las muestras mantienen su forma y proporciones generales, lo que sugiere que esta expansión no afecta significativamente la disposición de las estructuras celulares de las que se toman imágenes.

En una prueba inicial de su enfoque de imágenes, Miyawaki y sus colegas encontraron que las células dentro de las muestras tratadas con ScaleA2 retuvieron completamente sus etiquetas fluorescentes, mientras que los tejidos tratados con BABB produjeron una señal muy disminuida. Más importante aún, la transparencia inducida por ScaleA2 permitió a los investigadores visualizar mucho más profundamente dentro del cerebro que antes, incluso cuando se utilizan enfoques microscópicos estándar & # 145 de un fotón & # 146 que suelen ser vulnerables a la dispersión y la interferencia de la imagen de fondo.

& # 147Aunque el límite de profundidad de imagen de la microscopía de fluorescencia de excitación de dos fotones suele ser de alrededor de 0,7 milímetros en el cerebro, pudimos obtener imágenes de neuronas fluorescentes con Escala descendente hasta una profundidad de 2 milímetros por debajo de la superficie del cerebro & # 148, dice Miyawaki. Al diseñar una lente de microscopio especializada, pudieron penetrar aún más, a una distancia de trabajo sin precedentes de 4 milímetros por debajo de la superficie del cerebro (Fig. 2). El nivel de detalle obtenido con ScaleA2 demostró ser suficiente para que los investigadores mapeen las conexiones axonales entre las neuronas en el cuerpo calloso, el puente entre los hemisferios del cerebro y # 146s, y también les permitió analizar la interacción entre las células madre neurales y la vasculatura dentro del desarrollo. cerebro de ratón.

Figura 1: Después de dos semanas de tratamiento con ScaleA2, el cerebro del ratón es lo suficientemente transparente (izquierda) para ser atravesado fácilmente por la luz de un rayo láser (derecha). Crédito: 2011 H. Hama et al.

Dado que no todas las muestras son iguales, Miyawaki y sus colegas también experimentaron con formulaciones de Scale alternativas para aplicaciones de imágenes especializadas. Uno de estos, ScaleU2, requiere una incubación de la muestra más prolongada, pero da como resultado una menor expansión del tejido, por lo que puede ofrecer ventajas para su uso con muestras embrionarias u otros tejidos frágiles. En un experimento preliminar con embriones de ratón de 13,5 días de edad, los investigadores utilizaron ScaleU2 para visualizar regiones de división celular activa en la parte del diencéfalo y # 151a del prosencéfalo.

Es importante destacar que los efectos del tratamiento Scale demostraron ser completamente reversibles, y las muestras que se habían recuperado del aclarado resultaron indistinguibles de sus contrapartes no aclaradas, reafirmando el impacto mínimo de este tratamiento en la estructura del tejido.

Una visión clara del futuro

Algunos investigadores han diseñado estrategias especialmente ambiciosas para el mapeo de circuitos neuronales, como el ratón & # 145Brainbow & # 146 desarrollado en la Escuela de Medicina de Harvard, que combina una gran cantidad de proteínas fluorescentes diferentes para convertir el cerebro del ratón en un espectáculo de luces deslumbrante en el que prácticamente todas las neuronas se destaca claramente de sus vecinos. Miyawaki cree que Scale debería resultar muy complementario a tales esfuerzos. & # 147Todas las proteínas fluorescentes que hemos probado hasta ahora son resistentes a altas concentraciones de urea y deberían ser utilizables, & # 148, dice, & # 147, por lo que este enfoque debería ser compatible con Brainbow & # 148.

Su equipo ya está participando en colaboraciones para aplicar Scale a investigaciones específicas en ratones. Aunque el trabajo descrito hasta la fecha se ha centrado en marcadores fluorescentes expresados ​​genéticamente, este enfoque también debería ser compatible con otras metodologías de etiquetado. Una vez que se hayan desarrollado tales técnicas, Scale debería resultar eficaz para trabajar con muestras de tejido más grandes obtenidas de especies que no son fácilmente susceptibles de modificación genética, como los primates.

La mayor limitación vista por Miyawaki en la actualidad es la necesidad de trabajar con tejido & # 145dead & # 146, pero sugiere que incluso esto puede cambiar. & # 147La escala está actualmente limitada a muestras biológicas fijas & # 148, dice, & # 147, pero en algún momento en el futuro, puede haber & # 145 escala en vivo & # 146. & # 148.


Software gratuito de inteligencia artificial de Windows de código abierto

Envíe fácilmente facturas y facturas de suscripción a su sistema de contabilidad.

La tecnología de bienestar total n.o 1

Software de aprendizaje automático para resolver problemas de minería de datos

DeepFaceLab

El software líder para la creación de deepfakes

Programación sin tecnología de codificación

Cree software sin escribir una sola línea de código

JTDS: controlador JDBC de SQL Server y Sybase

Conéctese al instante y directamente con su audiencia a través de mensajes de texto a gran escala.

Tesseract OCR

Armadillo

biblioteca C ++ rápida para álgebra lineal y computación científica amp

TensorFlow

TensorFlow es una biblioteca de código abierto para el aprendizaje automático

LabelImg

Herramienta de anotación de imágenes gráficas y cuadros delimitadores de objetos de etiquetas

Robocode

Robocode es un juego de tanque de programación para Java y .NET

Pago alojado, integración de API o extensión de comercio electrónico: lo cubrimos.


Cómo visualizar una red neuronal

Quiero dibujar una imagen dinámica para una red neuronal para observar los cambios de peso y la activación de las neuronas durante el aprendizaje. ¿Cómo podría simular el proceso en Python?

Más precisamente, si la forma de la red es: [1000, 300, 50], entonces deseo dibujar un NN de tres capas que contiene 1000, 300 y 50 neuronas respectivamente. Además, espero que la imagen refleje la saturación de neuronas en cada capa durante cada época.

No tengo ni idea de cómo hacerlo. ¿Alguien puede arrojarme algo de luz?


Discusión

En este estudio, creamos un atlas de facetas para organizar y resumir el estado actual de la medición de rasgos de personalidad a nivel de facetas. Para ilustrar la utilidad de este atlas, examinamos la prevalencia de facetas combinadas, identificamos facetas centrales y periféricas para cada uno de los Cinco Grandes, y exploramos cómo los investigadores pueden usar este atlas de facetas para comprender mejor construcciones y medidas particulares. A continuación, discutimos las implicaciones de esta investigación para la evaluación aplicada de la personalidad y nuestra comprensión conceptual de la estructura de los rasgos de la personalidad.

La prevalencia de facetas combinadas

La mayoría de las escalas (59%) contenían una combinación de múltiples dominios de los Cinco Grandes. Aunque ciertamente no somos los primeros en señalar la falta de una estructura simple en la jerarquía de la personalidad (ver [11, 15, 30]), los investigadores de la personalidad básica y aplicada parecen reacios a incorporar esta realidad compleja y combinada en la evaluación y la teoría de la personalidad. como lo demuestra la estructura simple implícita en la mayoría de las medidas de personalidad no circumpliciales (por ejemplo, [8, 10, 12]). Reconocer más plenamente la prevalencia del contenido combinado en escalas de facetas puede aumentar la conmensurabilidad entre medidas y mejorar las teorías estructurales.

Los resultados también indicaron que tres combinaciones de dominios específicos se representaban comúnmente a través de combinaciones. Uno de ellos, la mezcla entre amabilidad y extraversión, refleja el conocido circumplex interpersonal [23]. Otras dos combinaciones, entre amabilidad y neuroticismo y entre conciencia y franqueza, también fueron comunes, pero se les ha prestado menos atención empírica. Las mezclas de amabilidad y neuroticismo pueden formar un circumplex que mida las tendencias afectivas interpersonales [31]. Conceptualizar tal circumplex puede ser útil en el diagnóstico y tratamiento de problemas interpersonales. La combinación entre conciencia y apertura puede formar un circumplex basado en el sistema de valores de una persona (alta C alta O = desarrollo del ego, alta C baja O = rigidez, baja C alta O = no convencionalidad, baja O baja C = desvinculación). Este circumplex puede ser útil para comprender los aspectos humanistas de la personalidad y puede ayudar a sintetizar la investigación de la personalidad de los Cinco Grandes con la del desarrollo del ego (por ejemplo, [63]).

Dos tipos particulares de combinaciones de facetas, entre extraversión y apertura, y entre amabilidad y conciencia, eran poco comunes en este atlas de facetas. Este hallazgo fue relativamente sorprendente, ya que estos dos pares de dominios suelen estar intercorrelacionados [4, 13]. La escasez de combinaciones entre las facetas de la extraversión y la apertura no parece reflejar el espacio vacío, ya que identificamos algunas combinaciones positivas (excitabilidad exploratoria TCI y liderazgo AB5C) y algunas combinaciones contrastantes (introspección y sociabilidad AB5C). Además, la investigación circumplicial anterior también ha encontrado que las facetas que miden el ingenio, la creatividad y el liderazgo audaz miden una combinación de alta apertura y alta extraversión [30,64]. Más bien, parece que las escalas que miden combinaciones de extraversión y apertura son poco comunes. El desarrollo de escalas que midan explícitamente una combinación de estos rasgos puede ser útil, ya que forman el meta-rasgo de la plasticidad y se ha teorizado que funcionan en conjunto como parte del sistema de aproximación [65]. En comparación, la falta de contenido combinado entre amabilidad y escrupulosidad puede reflejar un espacio de rasgos que es necesariamente más escaso. Encontramos una combinación negativa (racionalidad AB5C) y tres combinaciones positivas (obediencia AB5C, moralidad AB5C y equidad HEXACO), y otra investigación ha luchado de manera similar para identificar el contenido combinado entre estos dos rasgos [65]. Observamos que cada una de estas cuatro facetas connota algún tipo de adherencia a las reglas centrada en las relaciones interpersonales, que es un comportamiento común en la vida cotidiana, pero no parece estar bien codificado en el lenguaje de las diferencias individuales estables (como lo demuestra el hecho de que no puede identificar un término de un solo adjetivo para describir este tipo de comportamiento). Es posible que las investigaciones futuras deseen profundizar más en el espacio de la personalidad ocupado por una combinación de amabilidad y conciencia, y desarrollar escalas que midan explícitamente este contenido. Hacerlo podría augurar un enfoque más integral para la evaluación de la personalidad.

Los núcleos de cada dominio

Identificamos la mayoría de las facetas centrales y periféricas en cada dominio de los Cinco Grandes calculando la fortaleza de cada faceta dentro de la red respectiva. Un conjunto heterogéneo de facetas caracterizó los cinco núcleos de dominio. Por ejemplo, el núcleo de la conciencia contenía facetas que miden el contenido, incluido el dominio, la determinación y la organización. Estos hallazgos identifican casos de tintineo y tintineo en los nombres de las facetas. Por ejemplo, AB5C sociabilidad estaba ubicado en el núcleo de la extraversión y JPI sociabilidad estaba en la periferia, aunque comparten el mismo nombre. Este patrón de hallazgos también resalta la dificultad inherente de identificar un único “núcleo” conceptual para cada uno de los grandes dominios de los Cinco Grandes. Más bien, el núcleo de un dominio puede entenderse mejor como una colección de facetas, y el posicionamiento de las facetas puede hacerse mejor en términos relativos (por ejemplo, como "más central" o "más periférico" que otra faceta).

También encontramos que, dentro de cada dominio, las estimaciones de centralidad de la red estaban altamente correlacionadas con el valor absoluto de las cargas de los factores en ese dominio (rs = .71-.86). La magnitud de esta correlación, aunque menor que las correlaciones casi unitarias entre estos dos parámetros cuando se estima en estudios de simulación [66], sugiere que se obtiene información similar de ambos tipos de análisis (observamos que las simulaciones estimaron redes basadas en correlaciones parciales , mientras que estimamos redes basadas en correlaciones completas). La principal fuente de discrepancia entre las dos estimaciones probablemente proviene del hecho de que el análisis factorial resume cómo las facetas son similares en términos de sus asociaciones con un solo dominio más amplio de los Cinco Grandes, mientras que las estimaciones de centralidad de fuerza resumen todas las fuentes de similitud y diferencia entre cada par de factores. facetas. Por ejemplo, la aceptación social de TCI y la empatía AB5C se cargan fuertemente en un factor de amabilidad latente, pero esta asociación se hace aún más fuerte en virtud de una carga secundaria compartida sobre la apertura, que se captura únicamente en las estimaciones de la fuerza de la red. En general, esta superposición entre los resultados de análisis de factores y análisis de redes sugiere que las dos metodologías comparten muchas características, especialmente cuando los análisis de redes se basan en correlaciones transversales.

Las periferias de cada dominio

Si bien se ha prestado mucha atención a la identificación de los núcleos de cada uno de los cinco dominios grandes, este estudio fue uno de los primeros en examinar las facetas periféricas de los cinco dominios. Los resultados indicaron que cada dominio contenía un contenido periférico sustancial que estaba cubierto por pocas medidas. Junto con investigaciones anteriores [34, 36], esto sugiere que la mayoría de las medidas de personalidad modernas tienen una amplitud idiosincrásica en su cobertura de contenido. Por ejemplo, la medida NEO-PI-R y HPI confianza, una faceta de la amabilidad, pero las otras medidas jerárquicas de personalidad en la ESCS no lo hacen. Estas diferencias en la cobertura de contenido periférico pueden explicar, en parte, las correlaciones moderadas que se han informado para diferentes medidas del mismo dominio de los Cinco Grandes (por ejemplo, tan bajo como r = 0,66 en [10]). Las investigaciones futuras que se centren en la periferia de los dominios de rasgos pueden ayudar a resolver las diferencias en las puntuaciones de los dominios de diferentes medidas, aclarar cómo los diferentes instrumentos son más o menos efectivos para explicar ciertos rasgos y mejorar los esfuerzos para evaluar de manera integral la personalidad.

Limitaciones

Las principales limitaciones de esta investigación involucran la composición de la ESCS. La muestra es étnicamente homogénea, más del 98% de los participantes son blancos, todos son estadounidenses y la mayoría son de mediana edad. Como la estructura de los rasgos de personalidad, especialmente a nivel de facetas, no se generaliza entre culturas [67] o grupos de edad [68], los investigadores deben tener cuidado al generalizar este atlas a diferentes grupos de personas. Como punto más amplio, la ESCS se ha utilizado mucho en exámenes anteriores de la estructura de la personalidad (por ejemplo, [10, 12, 30)]) porque los participantes han completado una variedad tan amplia de medidas de personalidad. El desafortunado efecto secundario de esta dependencia excesiva de la ESCS y de muestras con una composición similar es que nuestra investigación sobre la estructura de la personalidad a menudo excluye a poblaciones no blancas más amplias, incluso dentro de los EE. UU. Para rectificar esto, el trabajo futuro que recopile datos utilizados para estudiar la estructura de la personalidad utilizando muchas escalas de facetas debe centrarse activamente en la diversidad de la muestra (como [69]). Anticipamos con impaciencia atlas futuros más representativos.

Además, todos los instrumentos de este estudio fueron cuestionarios de autoinforme y los resultados pueden diferir cuando se usa un método diferente. Además, algunas escalas de facetas se midieron con pocos elementos, y esta brevedad introduce una falta de fiabilidad de la medición. Corregimos esto usando la confiabilidad alfa de cada escala, pero esta corrección aproximada es relativamente conservadora y es posible que no restaure cada correlación a su magnitud real. Como tal, las correlaciones entre facetas medidas con escalas breves pueden estar algo atenuadas.


Para mostrarle cómo visualizar un modelo de Keras, creo que es mejor que analicemos uno primero.

Hoy, visualizaremos la red neuronal convolucional que creamos anteriormente para demostrar los beneficios de usar CNN sobre las densamente conectadas.

Este es el código de ese modelo:

Le sugiero que lea la publicación si desea comprenderla en profundidad, pero la cubriré brevemente aquí.

Simplemente clasifica el conjunto de datos MNIST. Este conjunto de datos contiene imágenes de dígitos de 28 x 28 píxeles, o números entre 0 y 9, y nuestra CNN los clasifica con una asombrosa precisión del 99%. Lo hace combinando dos bloques convolucionales (que consisten en una capa convolucional bidimensional, agrupación máxima bidimensional y abandono) con capas densamente conectadas. Es lo mejor de ambos mundos en términos de interpretación de la imagen. y generando predicciones finales.


Los investigadores desarrollan una técnica para visualizar y controlar las actividades neuronales que subyacen al comportamiento.

Dibujo esquemático del sistema Cal-Light. Las proteínas M13 y calmodulina se fusionan al c-terminal y al n-terminal de la proteasa TEV (TEV-C y TEV-N), respectivamente. Cuando surge Ca2 + en el citosol, M13 y calmodulina se unen entre sí y, posteriormente, TEV-C y TEV-N recuperan funciones proteolíticas. Sin embargo, la proteasa TEV no puede reconocer TEVseq fácilmente en una condición oscura, porque TEVseq se inserta en el c-terminal de AsLOV2 J-helix. La luz azul provoca un cambio conformacional de la hélice en J, lo que hace que TEVseq quede desenmascarado. El tTA escindido se traslada al núcleo e inicia la expresión génica. Crédito: Instituto Max Planck de Florida para Neurociencias

Desde que los científicos comenzaron a estudiar el cerebro, se han preguntado si la biología que observaron realmente puede estar relacionada con comportamientos externos. Los investigadores están construyendo una comprensión sustancial de las interacciones biofísicas, moleculares y celulares de las neuronas, pero relacionar directamente esas interacciones con los comportamientos externos es un desafío continuo en el campo. "Las propiedades biofísicas de las neuronas son bastante conocidas", dijo Hyungbae Kwon, Ph.D., líder del grupo de investigación del Instituto Max Planck de Florida para Neurociencias (MPFI). "Lo que no sabemos bien es cómo estas conexiones y comunicaciones desencadenan nuestro comportamiento".

Esta es la ambiciosa pregunta que el Dr. Kwon y su laboratorio se proponen responder al observar el cerebro de una manera completamente nueva. En un estudio publicado en la revista Biotecnología de la naturaleza en junio de 2017, Dongmin Lee, Ph.D. y Jung Ho Hyun, Ph.D., investigadores postdoctorales del Kwon Lab, describen una nueva herramienta que han desarrollado para identificar y controlar las neuronas. La nueva técnica, llamada Calcium and Light-Induced Gene Handling Toolkit o "Cal-Light", permite a los investigadores observar y manipular las actividades neuronales subyacentes al comportamiento con una especificidad nunca antes vista, lo que con suerte permitirá a los investigadores identificar la causalidad entre la actividad neuronal y el comportamiento. .

Hasta ahora, los investigadores que querían observar la actividad neuronal en tiempo real solían utilizar una técnica llamada imágenes de calcio. La técnica aprovecha el hecho de que las neuronas que se activan activamente reciben una entrada de calcio. Marcar los iones de calcio con tinte fluorescente hace que sea más fácil verlos disparar en tiempo real, pero no los vincula a poblaciones neuronales específicas.

Los investigadores del Instituto de Neurociencia Max Planck de Florida desarrollaron una herramienta para identificar y controlar las neuronas. La nueva técnica, llamada Calcium and Light-Induced Gene Handling Toolkit o "Cal-Light", permite a los investigadores observar y manipular las actividades neuronales subyacentes al comportamiento con una especificidad nunca antes vista, lo que con suerte permitirá a los investigadores identificar la causalidad entre la actividad neuronal y el comportamiento. . Crédito: Instituto Max Planck de Florida para Neurociencias

Sobre la base de imágenes de calcio tradicionales y técnicas optogenéticas recientes para manipular la actividad neuronal, el sistema Cal-Light vincula la expresión génica fluorescente con la actividad y la luz. Las neuronas solo emitirán fluorescencia si se activan y un investigador las ilumina con una luz especial. Si el investigador apaga la luz, las neuronas dejarán de emitir fluorescencia, lo que aumentará en gran medida la relación señal / ruido y la especificidad temporal. Una vez que los investigadores identifican una población de células implicadas en una actividad particular usando Cal-Light, pueden usar optogenética para manipular esas células. Esto les permite analizar los comportamientos de una manera increíblemente precisa y posiblemente incluso ayudar a desarrollar evidencia de relaciones causales.

Para demostrar que la técnica Cal-Light es eficaz, el grupo del Dr. Kwon la probó primero en cultivo celular y luego in vivo en un modelo de ratón. En el modelo, el equipo utilizó la técnica para identificar, etiquetar y manipular una población de neuronas en la corteza motora que se activaba cuando un ratón empujaba una palanca para recibir una recompensa en respuesta a un estímulo. Una vez identificadas y etiquetadas las neuronas de interés, su equipo presentó el estímulo al ratón mientras inhibía optogenéticamente el grupo de neuronas. Cuando se inhibieron las células, el ratón dejó de presionar la palanca, demostrando que la actividad de estas células era necesaria para que el ratón llevara a cabo el comportamiento.

(ARRIBA) Para etiquetar la población neuronal relacionada con el aprendizaje, entrenamos a ratones con restricción de agua para que aprendan el comportamiento repetitivo de presionar palancas para obtener recompensas de agua. Se implantaron fibras ópticas en ambos hemisferios del área M1 y se programó el láser azul para que se encienda durante 5 segundos cada vez que los ratones presionan la palanca. Una vez que la luz estuvo encendida durante 5 segundos, se prohibió la siguiente luz azul durante los siguientes 25 segundos a pesar de que los ratones presionan la palanca. (INFERIOR) Imágenes representativas de cerebros de ratones entrenados con o sin distribución acumulativa de luz azul de G / R en cada condición (Solo luz: n = 448 células / 8 ratones Solo actividad: n = 585 células / 9 ratones Luz + Actividad: n = 504 células / 11 ratones) y gráfico de diagrama de caja de resumen de G / R (Solo luz: 0.32 y plusmn 0.09, n = 448 Solo actividad: 0.36 & plusmn 0.11, n = 585, p = 0.34 Light + Activity: 1.1 & plusmn 0.97, n = 504, p

Esta técnica recientemente desarrollada brinda una oportunidad sin precedentes al etiquetar las neuronas que controlan acciones específicas y proporcionar medios para controlarlas. Según el Dr. Kwon, "La técnica Cal-Light ofrece la oportunidad de analizar los circuitos neuronales que subyacen a los comportamientos complejos, las sensaciones y la cognición e introduce una nueva forma de abordar cuestiones complejas en neurociencia".


1. Introducción

Figura 1: Ejemplo de nuestro método de visualización: explica por qué DCNN (GoogLeNet) predice "cacatúa". Se muestra la evidencia a favor (rojo) y en contra (azul) de la predicción. Vemos que los rasgos faciales de la cacatúa son los que más apoyan la decisión, y partes del cuerpo parecen constituir evidencia en su contra. De hecho, lo más probable es que el clasificador los considere evidencia de la segunda clase de puntuación más alta, el lobo blanco.

En los últimos años, las redes neuronales profundas (DNN) han surgido como el método de elección para tareas de percepción como el reconocimiento de voz y la clasificación de imágenes. En esencia, un DNN es una función no lineal muy compleja, lo que dificulta comprender cómo se produce una clasificación en particular. Esta falta de transparencia es un impedimento significativo para la adopción del aprendizaje profundo en áreas de la industria, el gobierno y la salud donde el costo de los errores es alto.

Para hacer realidad la promesa social del aprendizaje profundo, por ejemplo, a través de autos autónomos o medicina personalizada, es imperativo que los clasificadores aprendan a explicar sus decisiones, ya sea en el laboratorio, la clínica o la sala del tribunal. En las aplicaciones científicas, una mejor comprensión de las complejas dependencias aprendidas por las redes profundas podría conducir a nuevos conocimientos y teorías en dominios poco entendidos.

En este artículo, presentamos una nueva metodología probabilísticamente sólida para explicar las decisiones de clasificación tomadas por redes neuronales profundas. El método puede usarse para producir un mapa de prominencia para cada par (instancia, nodo) que resalte las partes (características) de la entrada que constituyen la mayor evidencia a favor o en contra de la activación del nodo dado (interno o de salida). Consulte la figura 1 para ver un ejemplo.

En las dos secciones siguientes, revisamos el trabajo relacionado y luego presentamos nuestro enfoque. En la sección 4

proporcionamos varias demostraciones de nuestra técnica para redes neuronales convolucionales profundas (DCNN) entrenadas en datos de ImageNet, y además cómo se puede aplicar el método al clasificar las resonancias magnéticas cerebrales de pacientes con VIH con enfermedades neurodegenerativas.


Software de neurociencia

Herramientas de software para la investigación en psicofísica visual. El enfoque de estas herramientas es la investigación de la ambliopía, pero se pueden utilizar en algunas tareas de investigación relacionadas con la neurociencia visual.

  • Nombre de archivo: screencontrast2.jar
  • Autor: jpsychovis
  • Licencia: Freeware (Gratis)
  • Tamaño del archivo: 19 Kb
  • Funciona en: Windows Mac Linux

Neurospaces es un centro de desarrollo de herramientas en neurociencia computacional. Ver http: //www.neurospaces.

  • Nombre de archivo: developer-prealpha-1.tar.gz
  • Autor: neuroespacios
  • Licencia: Freeware (Gratis)
  • Tamaño de archivo: 154 Kb
  • Se ejecuta en: BSD Linux

NeurAnim es una ayuda para la investigación de la neurociencia computacional. Se utiliza para visualizar y animar simulaciones de redes neuronales en 3D y para renderizar películas de estas animaciones para su uso en presentaciones.

  • Nombre de archivo: neuranim-1.0-win.zip
  • Autor: neuranim
  • Licencia: Freeware (Gratis)
  • Tamaño archivo: 19.14 Mb
  • Funciona en: Linux

PEBL (Psychology Experiment Building Language) es un sistema diseñado para crear psicología y neurociencia experimentos y pruebas. Es multiplataforma, con la intención de ejecutar el mismo experimento, sin cambios, en Linux, Windows y Macintosh. .

  • Nombre de archivo: PEBL_OSX.0.12.3.zip
  • Autor: pebl
  • Licencia: Freeware (Gratis)
  • Tamaño de archivo: 29.8 Mb
  • Se ejecuta en: Windows BSD Linux

Sitio web del laboratorio del Dr. Jefferson Kinney en la Universidad de Nevada en Las Vegas, especializado en neurociencia del comportamiento, aprendizaje y memoria, y modela la enfermedad de Alzheimer.

  • Nombre de archivo: Kiney Lab
  • Autor: Nathan Van Arsdale
  • Licencia: Freeware (Gratis)
  • Tamaño del archivo:
  • Funciona en: Windows

El Spiking Neuronal Network Simulator (SpiNNSim) será una biblioteca de software de código abierto para crear neurociencia aplicaciones en el lenguaje de programación Java. El marco admitirá animación y simultaneidad.

  • Nombre de archivo: Spiking Neuronal Network Simulator
  • Autor: David Wallace Croft
  • Licencia: Freeware (Gratis)
  • Tamaño del archivo:
  • Funciona en: Windows

El proyecto BBrain tiene como objetivo desarrollar un diseño de red neuronal innovador basado en los nuevos hallazgos en Neurociencia y Biología. El objetivo final es emular un "cerebro" completo y consciente de sí mismo basado en las teorías de la escuela de pensamiento de Dennet.

  • Nombre de archivo: BBrain
  • Autor: Behshad D God
  • Licencia: Freeware (Gratis)
  • Tamaño del archivo:
  • Funciona en: 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 experimentos. 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 investigar. See Hayes et al 2012 for an example of its usage .


Ver el vídeo: Eλληνικό Ανοικτό Πανεπιστήμιο - Ιόνιο Πανεπιστήμιο: ΠΜΣ στη Βιοπληροφορική και Νευροπληροφορική (Julio 2022).


Comentarios:

  1. Zukus

    ¡Este es el escándalo!

  2. Sheehan

    Información muy divertida

  3. Carlyle

    Creo que está equivocado. Estoy seguro. Tenemos que hablar. Escríbeme en PM, habla.

  4. Kagatilar

    Que lindo pensamiento

  5. Temman

    Hay algo en esto. Gracias por la información. No lo sabía.

  6. Rinan

    ¿Todos envían mensajes privados hoy?



Escribe un mensaje