Dekódování vizuálních podnětů z kortikální aktivity pomocí neuronových sítí

Abstract

Tato práce zkoumá použití technik hlubokého učení pro rekonstrukci vizuálních podnětů z neuronální aktivity v primární zrakové oblasti (V1). Zaměřuje se na překonání nedostatku biologických dat vývojem úsporných architektur, analýzou dopadu syntetických trénovacích dat, využitím adversariálního a transferového učení a zavedením nových pomocných optimalizačních cílů. Je provedena řada experimentů s daty z in silico simulací V1 u koček a in vivo záznamů z V1 u myší, přičemž je poukázáno na nejlepší přístup k dekódování a jsou navrženy kroky pro budoucí výzkum. Metody vyvinuté v této práci překonávají některé stávající state-of-the-art techniky podle několika široce používaných hodnotících kritérií. Celkově výsledky zdůrazňují potenciál strojového učení pro dekódování neuronální aktivity a otevírají cestu k budoucímu pokroku v oblasti technologií propojující mozek s počítačem a v neurovědeckém výzkumu.

This thesis explores the application of deep learning techniques for reconstructing visual stimuli from neural activity in the primary visual cortex (V1). The focus is placed on overcoming the scarcity of biological data by developing data-efficient architectures, analyzing the impact of synthetic training data, employing adversarial and transfer learning, and introducing novel auxiliary optimization objectives. A series of experiments is conducted using data from in silico simulations of cat V1 and in vivo recordings from mouse V1, highlighting the best-performing decoding approach and offering suggestions for future research. Notably, the methods developed in this thesis outperform some existing state-of-the-art decoding techniques according to several widely used evaluation measures. Overall, the results underscore the potential of machine learning in neural activity decoding and pave the way for future advancements in brain-computer interfaces and neuroscientific research.