TÜ arvutiteaduse instituudi lõputööde register

Nimi

Zurab Bzhalava

Kokkuvõte

2014. aasta Nobeli preemia füsioloogias said Dr. John M. O’Keefe, Dr. May-Britt Moser ja Dr. Edvard I teatud kindlate rakkude avastamise eest ajus, mis vastutavad ruumi- ja suunataju eest. Need avastused võimaldavad arvata, et aju loob sisemise kaardi ümbritsevast keskkonnast. See aitab meil ära tunda tuttavaid kohti ja ruumis hästi orienteeruda. Antud magistritöös kasutasime me roti “GPS” süsteemi tundma õppimiseks arvutuslikku lähenemist. Konkreetsemalt võrdlesime, kui hästi suudavad erinevad masinõppe algoritmid ette ennustada roti asukohta, saades sisendiks ainult tema hipokampuses toimuva neuronaalse aktiivsuse. Võrreldud meetodite seas olid juhumets (random forest), tugivektorklassifitseerijad (support vector machine, SVM), lähima naabri meetod (nearest neighbor) ja mõningad hajusa lineaarse regressiooni algoritmid. Neuronitest mõõdetud elektrofüsioloogilised andmed olid pärit Buxsaki laborist New Yorgis. Keskendusime roti hipokampuse neuraalsele aktiivsusele - aju osale, kus on senistes uurimustöödes enamik koharakke tuvastatud. Esimese sammuna jagasime ala, kus rott eksperimendi ajal viibis, neljaks väiksemaks tsooniks. Seejärel üritasime ennustada, missuguses alas katsealune loom mingil suvalisel ajahetkel asus. Leidsime, et juhumets andis parima ennustustäpsuse, milleks oli 57.8% ja mis on oluliselt suurem juhusliku valiku tõenäosusest. Sellegipoolest oli mõnedes katseala regioonides tugivektorklassfitseerija mõnikord parem kui juhumets. Järgmise sammuna tegime asukoha identifitseerimise veelgi raskemaks ja jagasime eksperimentaalala 16 väiksemaks tsooniks. Juhumets ja SVM saavutasid tugevalt statisiliselt olulised tulemused, vastavalt 38% ja 37% (juhusliku ennustuse täpsus oleks olnud umbes 11%). Mõlema probleemülesande puhul kasutasime me ka lähima naabri algoritmi, aga selle täpsus oli võrreldes eelmainitud meetoditega märgatavalt väiksem. Kuna roti asukoht on pidev muutuja, siis me proovisime käsitleda seda ka pideva ennustuse probleemina. Suurem osa regressiooni algoritme, mida selles töös analüüsitakse (kantregressioon (ridge regression), lassoregressioon (lasso regression), elastne võrk (elastic net)), andsid juhuslikule ennustustäpsusele lähedasi tulemusi. Ainult juhumets andis pideva ennustuse probleemi puhul teistest meetoditest oluliselt parema täpsuse. Seejärel analüüsisime me andmeid, mis olid salvestatud eksperimendist, kus rotid olid treenitud valima vasakut või paremat suunda number 8 kujulises labürindis, olles samal ajal ise jooksurattal. Nende mõõtmistulemuste puhul teostasime me esimese sammuna andmetele mõõdete vähendamise (dimensionality reduction), et visualiseerida muutusi andmetes otsuse langetamise hetkel. Muuhulgas identifitseerisime ja tõime joonistel välja ka episoodirakud - neuronid, mis on rohkem aktiivsed kindlal ajal antud ülesande jooksul. Episoodirakud võivad kaasa aidata aja tajumisel ja episoodilise mälu loomisel. Samuti visualiseerisime neuronaalseid trajektoore otsuse langetamise ajal, et ette aimata, millise otsuse loom vastu võtab. Kokkuvõtteks andis roti asukoha ennustamisel algoritmidest täpseimaid tulemusi juhumets. See võib muuhulgas näidata seda, et informatsioon roti asukoha kohta sisaldub mitte-lineaarses neuraalses aktiivsuses, mida lineaarregressiooni meetodid ei olnud võimelised tuvastama. Edasises uurimistöös plaanime me dekodeerida roti asukohta, kasutades meetodeid, mis on sarnasemad aju enda mehhanismidele. Neurovõrgud (neural networks) on laialt levinud masinõppe meetod, mis sarnaselt juhumetsadega suudab ära tunda mitte-lineaarseid mustreid. Selles töös loodud andmetöötluskonveiereid (data processing pipeline), mis tegelevad üsnagi keerulise andmete eeltöötluse, tunnuste eraldamise ja andmestiku visualiseerimisega, panevad tulevikuks tugeva aluse hipokampuse dünaamika uurimisele TÜ arvutusliku neuroteaduse töögrupis.

Lõputöö keel

inglise

Lõputöö tüüp

Magister - Tarkvaratehnika

Juhendaja(d)

Raul Vicente Zafra

Kaitsmise aasta

2015