Cet article a été révisé selon Science X processus éditorial
et Stratégies.
Éditeurs ont mis en avant les attributs suivants tout en assurant la crédibilité du contenu :
faits vérifiés
publication évaluée par des pairs
source fiable
relire
D’accord! Propositions communautaires impartiales de modèles ML pour la détection SWR. une Organisation du hackathon. Une phase préparatoire (Prep) a établi les bases du défi en termes de connaissances minimales sur les SWR, la programmation Python et les modèles de Machine Learning (ML). Il a également cherché à normaliser les scripts et la gestion des données. La deuxième phase consistait en un hackathon, qui a duré plus de 53 heures pendant trois jours, les participants ayant accès à l’ensemble de données de formation annotées et à quelques scripts Python. Lors de la dernière phase d’évaluation, un nouvel ensemble de validation a été remis aux participants 3 h avant la fin du hackathon. Les solutions ont été classées à l’aide du score F1 (voir méthodes). b Exemple de données d’entraînement constituées de 8 canaux de LFP brut (noir) échantillonnés à 30 kHz, avec la vérité terrain (GT) étiquetée manuellement, correspondant aux événements SWR. c Résultats du hackathon. Les solutions ont été classées selon le score F1. F1 représente la moyenne harmonique entre Précision (pourcentage de bonnes détections) et Rappel (pourcentage d’événements GT détectés). Réseaux de neurones profonds (DNN), réseaux de neurones convolutifs (CNN), réseaux de neurones récurrents (RNN) avec/sans mémoire à long-court terme (LSTM) ; Arbres de décision Random Forest (Rand Forest), Extreme Gradient Boosting (XGBoost), Support Vector Machines (SVM), k-Nearest Neighbours (kNN). Les solutions choisies sont marquées par des pointes de flèches. Les flèches plus sombres pointent vers le groupe qui a obtenu le score le plus élevé pour chaque architecture particulière ; des flèches lumineuses pointent vers des architectures répétées. d Représentation schématique de la stratégie de détection SWR et des 5 modèles ML utilisés dans ce travail. Crédit : Biologie des communications (2024). DOI : 10.1038/s42003-024-05871-w
× fermer
Propositions communautaires impartiales de modèles ML pour la détection SWR. une Organisation du hackathon. Une phase préparatoire (Prep) a établi les bases du défi en termes de connaissances minimales sur les SWR, la programmation Python et les modèles de Machine Learning (ML). Il a également cherché à standardiser les scripts et la gestion des données. La deuxième phase consistait en un hackathon, qui a duré plus de 53 heures pendant trois jours, les participants ayant accès à l’ensemble de données de formation annotées et à quelques scripts Python. Lors de la dernière phase d’évaluation, un nouvel ensemble de validation a été remis aux participants 3 h avant la fin du hackathon. Les solutions ont été classées à l’aide du score F1 (voir méthodes). b Exemple de données d’entraînement constituées de 8 canaux de LFP brut (noir) échantillonnés à 30 kHz, avec la vérité terrain (GT) étiquetée manuellement, correspondant aux événements SWR. c Résultats du hackathon. Les solutions ont été classées selon le score F1. F1 représente la moyenne harmonique entre Précision (pourcentage de bonnes détections) et Rappel (pourcentage d’événements GT détectés). Réseaux de neurones profonds (DNN), réseaux de neurones convolutifs (CNN), réseaux de neurones récurrents (RNN) avec/sans mémoire à long-court terme (LSTM) ; Arbres de décision Random Forest (Rand Forest), Extreme Gradient Boosting (XGBoost), Support Vector Machines (SVM), k-Nearest Neighbours (kNN). Les solutions choisies sont marquées par des pointes de flèches. Les flèches plus sombres pointent vers le groupe qui a obtenu le score le plus élevé pour chaque architecture particulière ; des flèches lumineuses pointent vers des architectures répétées. d Représentation schématique de la stratégie de détection SWR et des 5 modèles ML utilisés dans ce travail. Crédit : Biologie des communications (2024). DOI : 10.1038/s42003-024-05871-w
L’étude des oscillations cérébrales a fait progresser notre compréhension du fonctionnement cérébral. Les ondulations sont un type d’oscillation rapide qui sous-tend l’organisation des souvenirs. Ils sont affectés par des troubles neurologiques tels que l’épilepsie et la maladie d’Alzheimer. Pour cette raison, ils sont considérés comme un biomarqueur électroencéphalographique (EEG). Cependant, les ondulations présentent diverses formes d’onde et propriétés qui peuvent ne pas être détectées par les méthodes spectrales standards.
Récemment, la communauté des neurosciences a souligné la nécessité de mieux automatiser, harmoniser et améliorer la détection des ondulations dans une gamme de tâches et d’espèces. Dans l’étude, les auteurs ont utilisé des enregistrements obtenus sur des souris de laboratoire pour former une boîte à outils de modèles d’apprentissage automatique.
“Nous avons testé la capacité de ces modèles en utilisant des données provenant de primates non humains collectées à l’Université Vanderbilt (Nashville, États-Unis) par Saman Abbaspoor et le chef de laboratoire Kari Hoffman dans le cadre de la Brain Initiative. Nous avons constaté qu’il est possible d’utiliser données EEG de rongeurs pour entraîner des algorithmes d’IA pouvant être appliqués aux données des primates et éventuellement des humains, à condition que le même type de techniques d’enregistrement soit utilisé”, explique De la Prida, qui fait partie de la connexion AI-HUB du CSIC visant à faire progresser l’utilisation de l’IA et de ses applications.
La boîte à outils de modèles est née d’un hackathon, qui a abouti à une liste restreinte des meilleurs modèles de détection. Ces architectures ont ensuite été harmonisées et optimisées par les auteurs, qui fournissent désormais tous les codes et données ouvertement à la communauté des chercheurs. Les modèles incluent certaines des architectures d’apprentissage supervisé les plus connues, telles que les machines à vecteurs de support, les arbres de décision et les réseaux de neurones convolutifs.
“Nous avons identifié plus d’une centaine de modèles possibles à partir des différentes architectures qui sont désormais disponibles pour application ou recyclage par d’autres chercheurs”, déclarent Andrea Navas Olivé et Adrián Rubio, qui sont les premiers auteurs des travaux.
“Cette banque de modèles d’IA offrira de nouvelles applications dans le domaine des neurotechnologies et pourra être utile pour la détection et l’analyse des oscillations à haute fréquence dans des pathologies telles que l’épilepsie, où elles sont considérées comme des marqueurs cliniques”, conclut De la Prida.
Le papier est publié dans la revue Communications Biology.
Plus d’information:
Andrea Navas-Olive et al, Une boîte à outils d’apprentissage automatique pour l’analyse des ondulations d’ondes pointues révèle des caractéristiques de forme d’onde communes à toutes les espèces, Communications Biology (2024). DOI : 10.1038/s42003-024-05871-w
Informations sur la revue :
Biologie des communications
2024-03-05 18:27:37
1709653876
#Les #scientifiques #entraînent #une #banque #modèles #dIA #pour #identifier #les #modèles #dactivité #cérébrale #qui #signalent #formation #mémoire