Wenn man mit Geometrie und KI Gehirnströme dekodieren kann

Im Gleichnis von den blinden Männern und dem Elefanten beschreiben mehrere blinde Männer jeweils einen anderen Teil eines Elefanten, den sie berühren – einen scharfen Stosszahn, einen biegsamen Rüssel oder ein breites Bein – und sind sich nicht einig über die wahre Natur des Tieres. Die Geschichte veranschaulicht das Problem, ein ungesehenes oder verborgenes Objekt auf der Grundlage unvollständiger individueller Wahrnehmungen zu verstehen. Wenn Forschende die Dynamik des Gehirns anhand von Aufzeichnungen einer begrenzten Anzahl von Neuronen untersuchen, müssen sie ebenfalls auf die latenten Muster der Hirndynamik schliessen, die diese Aufzeichnungen erzeugen.

«Nehmen wir an, wir beide sind mit einer geistigen Aufgabe beschäftigt, z. B. dem Navigieren zur Arbeit. Können uns die Signale eines kleinen Teils der Neuronen verraten, ob wir dieselben oder unterschiedliche mentale Strategien zur Lösung der Aufgabe verwenden?», sagt Pierre Vandergheynst, Leiter des Signalverarbeitungslabors LTS2 an der Fakultät für Ingenieurwesen der EPFL. «Dies ist eine grundlegende Frage für die Neurowissenschaften, da Experimentatoren oft Daten von vielen Tieren aufzeichnen, wir aber nur begrenzte Hinweise darauf haben, ob sie eine bestimmte Aufgabe mit denselben Gehirnmustern darstellen.»

Vandergheynst und sein ehemaliger Postdoc Adam Gosztolai, jetzt Assistenzprofessor am Institut für Künstliche Intelligenz der Medizinischen Universität Wien, haben in Nature Methods einen geometrischen Deep-Learning-Ansatz veröffentlicht, mit dem latente Hirnaktivitätsmuster über Versuchspersonen hinweg abgeleitet werden können. MARBLE (Manifold Representation Basis Learning) erreicht dies durch die Zerlegung elektrischer neuronaler Aktivität in dynamische Muster oder Motive, die von einem geometrischen neuronalen Netzwerk erlernt werden können. In Experimenten mit Makaken- und Rattengehirnen konnten die Forschenden mithilfe von MARBLE zeigen, dass die Dynamik des Gehirns verschiedener Tiere aus denselben Motiven bestand, wenn diese dieselbe mentale Strategie verwendeten, um einen Arm zu erreichen oder durch ein Labyrinth zu navigieren.

Ein geometrisches neuronales Netz für dynamische Daten

Herkömmliches Deep Learning ist nicht geeignet, um dynamische Systeme zu verstehen, die sich regelmäßig in Abhängigkeit von der Zeit verändern, wie feuernde Neuronen oder fließende Flüssigkeiten. Diese Aktivitätsmuster sind so komplex, dass sie sich am besten als geometrische Objekte in hochdimensionalen Räumen beschreiben lassen. Ein Beispiel für ein solches Objekt ist ein Torus, der einem Donut ähnelt.

Wie Gosztolai erklärt, ist MARBLE einzigartig, weil es innerhalb gekrümmter Räume lernt – natürliche mathematische Räume für komplexe Muster neuronaler Aktivität: «Innerhalb der gekrümmten Räume weiss der geometrische Deep Learning-Algorithmus nicht, dass diese Räume gekrümmt sind. Daher sind die dynamischen Motive, die er lernt, unabhängig von der Form des Raums, was bedeutet, dass er dieselben Motive aus verschiedenen Aufzeichnungen entdecken kann.»

Das EPFL-Team testete MARBLE an Aufnahmen des prä-motorischen Kortex von Makaken während einer Greifaufgabe und des Hippocampus von Ratten während einer räumlichen Navigationsaufgabe. Sie fanden heraus, dass MARBLEs Repräsentationen, die auf Aufzeichnungen von Einzelneuronenpopulationen basieren, viel besser interpretierbar waren als die anderer maschineller Lernmethoden, und dass MARBLE die Hirnaktivität für Armbewegungen mit grösserer Genauigkeit entschlüsseln konnte als andere Methoden.

Da MARBLE auf der mathematischen Theorie hochdimensionaler Formen basiert, konnte es ausserdem unabhängig voneinander Hirnaktivitätsaufzeichnungen aus verschiedenen Versuchsbedingungen zu einer globalen Struktur zusammenfügen. Dies verschafft ihm einen Vorteil gegenüber anderen Methoden, die mit einer benutzerdefinierten globalen Form arbeiten müssen.

Schnittstellen zwischen Gehirn und Maschine und darüber hinaus

MARBLE könnte nicht nur unser Verständnis der Dynamik, die den Berechnungen und dem Verhalten des Gehirns zugrunde liegt, verbessern, sondern auch die Daten der neuronalen Aktivität nutzen, um die dynamischen Muster des Gehirns bei der Ausführung bestimmter Aufgaben, z. B. beim Greifen, zu erkennen und in dekodierbare Darstellungen umzuwandeln, die dann zur Auslösung eines Hilfsroboters verwendet werden könnten. Die Forschenden betonen jedoch, dass MARBLE ein leistungsfähiges Werkzeug ist, das in verschiedenen wissenschaftlichen Bereichen und Datensätzen zum Vergleich dynamischer Phänomene eingesetzt werden kann.

«Die MARBLE-Methode zielt in erster Linie darauf ab, Forschende der Neurowissenschaften dabei zu helfen, zu verstehen, wie das Gehirn über Individuen oder experimentelle Bedingungen hinweg rechnet, und – wenn es sie gibt – universelle Muster aufzudecken», sagt Vandergheynst, «aber ihre mathematische Grundlage ist keineswegs auf Gehirnsignale beschränkt, und wir erwarten, dass unser Werkzeug Forschende in anderen Bereichen der Lebens- und Naturwissenschaften zugute kommen wird, die gemeinsam mehrere Datensätze analysieren wollen.»