Het onderzoeken van de neurale correlaten van perceptie en cognitie met behulp van populatiedecodering

Vanaf het moment dat we onze ogen openen, ontvangen we een overweldigende hoeveelheid informatie over de wereld die voor ons ligt. Onze hersenen zijn ongelooflijk complex, maar ze verwerken deze informatie moeiteloos door de gecoördineerde werking van een groot aantal corticale gebieden en processen. De ontwikkeling van kunstmatige systemen die de visuele wereld even efficiënt kunnen waarnemen als de mens, is altijd een van de centrale doelstellingen van de kunstmatige intelligentie geweest. In dit opzicht is aanzienlijke vooruitgang geboekt door de toepassing van convolutionele neurale netwerken (CNNs), een klasse van deep learning architecturen die geïnspireerd zijn op de hiërarchische organisatie van het menselijk visueel systeem, om verschillende visuele taken op te lossen (bv. objectclassificatie). De menselijke ventrale visuele stroom is belast met het creëren van visuele objectrepresentaties met het oog op herkenning. Gezien de grote hoeveelheid visuele informatie die van het netvlies komt, is het echter onmogelijk voor de ventrale stroom om alle aspecten van de visuele input op dezelfde manier te verwerken. Selectieve aandacht is een sleutelproces voor het selecteren van de belangrijke aspecten van de binnenkomende inputs voor preferentiële neurale verwerking en daardoor het vergemakkelijken van gedrag (d.w.z. snellere en meer accurate herkenning). Aandacht heeft recent de belangstelling getrokken van de AI gemeenschap, omdat het de mogelijkheid biedt om deep learning modellen meer computationeel en energie-efficiënt te maken. Toch blijven de aandachtsmechanismen die bestudeerd zijn in de AI literatuur beperkt ten opzichte van de rijke waaier van aandachtsprocessen die werkzaam zijn in het menselijk visueel systeem. In dit multidisciplinair project willen we computationele modellen van aandacht verbeteren door de modellen beschikbaar in de AI literatuur te combineren met single-unit data verkregen met invasieve corticale opnames in neurochirurgische patiënten. Gebruikmakend van multielectrode arrays geïmplanteerd in het kader van de prechirurgische evaluatie van epilepsie, zullen we de activiteit registreren van populaties van visuele neuronen tijdens objectherkenning en aandachtstaken. CNN-gebaseerde decoderingsmodellen zullen worden toegepast om de neurale respons op de gepresenteerde visuele stimuli te voorspellen. Dezelfde decoderingsmodellen zullen vervolgens uitgebreid worden met aandachtsmechanismen om de neurale activiteit te voorspellen in de verschillende geteste aandachtscondities (bv. ruimtelijke of feature aandacht). Het implementeren van meer accurate computationele modellen van aandacht heeft het potentieel om niet alleen nieuwe inzichten te verschaffen in de organisatie van het menselijk visueel systeem, maar zou ook de artificiële modellen van visie zelf kunnen verbeteren