تشخیص شبکه مغزی کودکان با هوش مصنوعی

پژوهش‌های اخیر نشان می‌دهد که نواحی مختلف مغزی که مسئول انجام عملیات مختلف هستند، در هر فرد مکانی مخصوص به آن فرد را دارند. شبکه مغزی هر فرد یا آناتومی عصبی نیز در هر فرد با دیگری متفاوت است و در طی فرآیند رشد تغییر می‌کند. در ادامه این نوشته از مجله فناوری‌های توان افزا و پوشیدنی پژوهش انجام شده در این مورد را به تفصیل توصیف خواهیم کرد.

تشخیص شبکه مغزی کودکان با هوش مصنوعی

پژوهشگران Penn Medicine با استفاده از هوش مصنوعی اندازه و مشخصات شبکه مغزی کودکان را شناسایی می‌کنند. این پژوهش به درک ناهنجاری‌های رونشناختی در کودکان کمک خواهد کرد. در مقاله‌ای که در مجله Neuron به چاپ رسید چگونگی رابطه شناخت و شبکه‌های مغزی توصیف شده است. با استفاده از روش یادگیری ماشین برای تحلیل داده‌های FMRI در ۷۰۰ کودک، نوجوان و بزرگسال دانشمندان به تفاوت فاحش ساختار فعال نورون‌ها در مغز کودکان پی بردند. این ساختار در طی فرآیند رشد تغییر می‌کند.

سطح فیزیکی مغز انسان برآمدگی‌ها و چین خوردگی‌هایی دارد که برای تشخیص نواحی مختلف مغز به کار می‌رود. ساختار فعال مغز یا شبکه مغز( آن‌چه روی شناخت و درک انسان تاثیر دارد) با تطبیق دادن الگوی فعالیت مغز روی نواحی مختلف مغز بدست می‌آید. در این فرآیند فرض می‌شود کارکرد نواحی فیزیکی مغز در تمامی افراد یکسان است. در مدل‌های ساده این فرض خوب کار می‌کند. اما پژوهش‌های اخیر نشان می‌دهد که برای مدل‌های پیچیده و در بزرگسال این فرض خوب نیست. به عنوان نمونه فرآیندهای دخیل در کنترل و دقت از این فرض تبعیت نمی‌کند. به عبارتی هر بزرگسال ساختار مغزی مخصوص به خود را دارد. تا به امروز مشخص نبود که با رشد کودک این شبکه‌های منحصر به فرد چگونه تغییر می‌کند.

ویژگی های منحصر به فرد شبکه عصبی

قسمت هیجان انگیز این پژوهش تشخیص نقشه فیزیکی این شبکه‌های مغزی در هر کودک(به جای استفاده از یک رهیافت برای همه) بودیم. به مانند بزرگسال، آناتومی عصبی کودکان نیز با یکدیگر متفاوت است. همچنین به مانند بزرگسالان، شبکه‌ای که از کودکی به کودک دیگر متفاوت است همان شبکه‌ای است که رفتارهای هیجانی بزرگسالان را( مانند خطرپذیری و رفتارهای بدون فکر) کنترل می‌کند.

Theodore D. Satterthwaite، نویسنده نخست، پزشک و دانشیار روانپزشکی در دانشکده پزشکی دانشگاه Pennsylvania

به منظور بررسی دقیق این موضوع، پژوهشگران تعداد بسیاری زیادی نمونه را بررسی کردند. افراد دخیل در آزمایش ۲۷ دقیقه تصویر برداری FMRI انجام دادند. روش یادگیری ماشین در این پژوهش در آزمایشگاه Yong Fan(استادیار Penn) طراحی شده بود. به این صورت ۱۷ شبکه فعال در کودکان شناسایی شد. با این روش نیازی به اتکا به محدوده فیزیکی میانگین هر کارکرد در مغز نبود.

پس از آن پژوهشگران بر نحوه تغییر این شبکه‌ها در طول زمان متمرکز شدند. آنان نحوه تغییرات را به خوبی شناختند و با استفاده از آناتومی عصبی مغز توانستند سن فرد را به دقت محاسبه کنند.

ساختار فضایی این شبکه‌ها نشان می‌دهد که کودک تا میزان در انجام امور مختلف موفق خواهد بود. کودکانی که ناحیه بیشتری به کورتکس مغزشان مربوط بود امور پیچیده را بهتر انجام می‌دادند.

پژوهشگر پسا دکتری، Zaixu Cui و پژوهشگر اصلی مقاله

به طور کلی این پژوهش افق جدیدی از انعطاف‌پذیری و تفاوت رشد را پیش روی پژوهشگران باز کرده است. همچنین در تشخیص بیماری فرد پتانسیل رشد و بهبود را نیز نشان می‌دهد. در این صورت نحوه درمان را می‌توان برای هر فرد شخصی‌سازی کرد.


بیشتر بخوانیم:
ایمپلنت جدید رابط مغز-رایانه ECoG بدون نیاز به تنظیمات پیوسته
نسل جدید فناوری رابط های کاربری: از رابط کاربری حرکتی تا رابط مغز-رایانه
شناسایی نورون های موثر در بازیابی حرکتی افراد پاراپلژیک با یادگیری ماشین


منبع: technologynetworks

«استفاده و بازنشر مطالب تنها با ذکر لینک منبع و نام (مجله فناوریهای توان افزا و پوشیدنی) مجاز است.»

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *