در دانشگاه بوفالو انجام شد
ابداع یك مدل كامپیوتری جهت بررسی صدمه های مغز بعد از سكته
به گزارش نهایت علم پژوهشگران ˮدانشگاه بوفالوˮ، یك مدل كامپیوتری جدید ابداع نموده اند كه به بررسی دقیق تر صدمه های ناشی از سكته در مغز كمك می نماید.
به گزارش نهایت علم به نقل از ایسنا و به نقل از وب سایت رسمی دانشگاه بوفالو، پژوهشگران یك مدل كامپیوتری از مغز انسان ابداع نموده اند كه می تواند الگوهایی از نقص مغز را شبیه سازی كند كه نسبت به الگوهای كنونی، بسیار واقعی تر هستند. این مدل جدید می تواند امكان نوعی شبیه سازی دیجیتالی را عرضه نماید كه امكان آزمایش افراد مبتلا به سكته و صدمه های مغزی را فراهم می آورد.
"كریستوفر مكنورگان" (Christopher McNorgan)، استادیار روانشناسی "دانشگاه ایالتی نیویورك در بوفالو" (UB) اظهار داشت: این مدل دقیقا با اتصال عملكردی مغز در ارتباط می باشد و می تواند الگوهای واقعی نقص شناختی را نشان دهد. از آنجائیكه این مدل، نحوه اتصال مغز را نشان می دهد، ما می توانیم آنرا طوری به كار بگیریم كه بینش های جدیدی را عرضه نماید.
ابداع این مدل بدین معنا نیست كه ما یك كپی دیجیتال از مغز انسان داریم بلكه یافته های ما نشان می دهند كه عملكرد این مدل، متناقض با عملكرد مغز انسان نیست و شاید بتواند به ابداع یك كپی از مغز هم كمك نماید.
مدلهای مبتنی بر مغز، بر یك رویكرد كلی متمركز هستند كه همه نقاط مغز و نحوه واكنش آنها نسبت به تحریك را مورد بررسی قرار می دهد. این رویكرد، در پژوهش های مربوط به اتصال عملكردی مغز مورد استفاده قرار دارد كه مبتنی بر روش "اف ام آرآی" (fMRI) هستند. در این رویكرد، یك مدل خطی، رابطه مستقیمی را میان دو چیز در نظر می گیرد. برای مثال، روشن و خاموش شدن یك لامپ می تواند فعالیت ناحیه دیداری مغز را كمتر یا بیشتر كند.
باآنكه مدلهای خطی در شناسایی نواحی فعال مغز، بهتر هستند اما اغلب در تشخیص روابط پیچیده میان چند ناحیه شكست می خورند. همین موضوع، دامنه پیشرفت های جدیدتر مانند "MVPA" هستند كه یك روش مبتنی بر یادگیری ماشینی را عرضه می دهد و در سطح جامع تری به ارزیابی نحوه فعالیت نواحی مغز می پردازد.
MVPA، یك روش غیرخطی ارزیابی است. برای مثال، مجموعه ای از نورون ها را در نظر بگیرید كه باید مفهوم نشانه توقف را تشخیص دهند. هنگامی كه ما یك نشانه قرمز یا یك نشانه شش ضلعی را ببینیم، این نورون ها فعال نمی شوند چونكه دیدن یكی از این نشانه ها برای آنها به معنای توقف نیست.
مكنورگان اضافه كرد: یك واكنش غیرخطی هنگامی فعال می شود كه ما نشانه ای ببینیم كه هم قرمز و هم شش ضلعی است. به همین دلیل، روش هایی مانند MVPA، در هسته رویكردهای مبتنی بر یادگیری عمیق قرار دارند كه فناوری هایی مانند نرم افزار دیداری كامپیوتر خودرو های خودران بر اساس آنها ساخته می شوند.
در هر حال، رویكردهای قدیمی اتصال عملكردی و MVPA، با محدودیت هایی همراه هستند و هر یك از آنها پیچیدگی هایی دارند كه نیازمند تلاش و تخصص قابل توجه پژوهشگران حوزه مغز و اعصاب است.
مكنورگان، اولین پژوهشگری است كه موفق شده اتصالات عملكردی و MVPA را با موفقیت ادغام كند و یك مدل مبتنی بر یادگیری ماشینی عرضه نماید كه اتصالات عملكردی میان نواحی مغز را در جهان واقعی بررسی می كند.
یافته های این پژوهش می توانند امكان شناسایی و درك شبكه های مغز و نحوه عملكرد آنها را فراهم نمایند.
این پژوهش، در مجله "NeuroImage" به چاپ رسیده است.
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب