Nuovo metodo usa le connessioni cerebrali per identificare compiti e identità

Recenti ricerche hanno dimostrato che le connessioni cerebrali possono essere utilizzate per identificare le persone e i compiti che stanno svolgendo. Questo viene fatto attraverso un processo chiamato Connettività Funzionale (FC), che analizza come diverse parti del cervello lavorano insieme nel tempo. Tradizionalmente, la FC è stata misurata guardando quanto sia simile l'attività tra diverse aree cerebrali. Tuttavia, metodi più recenti che utilizzano l'apprendimento automatico per capire la struttura delle connessioni cerebrali hanno mostrato risultati promettenti sia con tecniche di scansione cerebrale come fMRI che EEG.

Questo articolo si concentra su due obiettivi principali. Prima di tutto, vogliamo vedere se i grafi creati da semi-specifiche mappe di connessione cerebrale-possono fornire informazioni migliori per la previsione rispetto ai metodi tradizionali. In secondo luogo, vogliamo introdurre un nuovo modello che può gestire sia l'identificazione delle persone che la comprensione di quale compito stanno svolgendo contemporaneamente, utilizzando solo un sistema addestrato.

#Grafi di Connettività Funzionale

In una rete complessa di connessioni cerebrali, possiamo rappresentare il cervello come un grafo, dove ogni punto (o vertice) rappresenta una parte del cervello e le linee (o archi) tra di loro mostrano come sono connessi. Possiamo creare una matrice per tenere traccia di quanto siano forti queste connessioni. L'obiettivo è analizzare i segnali di questi grafi per vedere quanto siano "fluidi" o stabili, il che aiuta a stimare la struttura sottostante della connettività.

Utilizzando questa idea, i ricercatori possono capire quali parti del cervello sono più strettamente connesse, permettendo una migliore comprensione della funzione cerebrale nel tempo.

#Rete Neurale Multi-Task

Quando si lavora con dati da un numero limitato di persone ma con molte caratteristiche cerebrali, è essenziale ottimizzare come vengono elaborati i dati. Il nostro modello, chiamato rete neurale multi-task (MTNN), è progettato per gestire sia l'identificazione individuale che il decodificare dei compiti, condividendo il processo di apprendimento tra i due. Questo riduce la complessità del modello senza sacrificare le prestazioni.

L'MTNN prende i dati cerebrali, li elabora e poi separa i risultati per prevedere chi è una persona e quale compito sta svolgendo. Il modello utilizza strati che aiutano a rafforzare le connessioni all'interno dei dati, permettendo un miglioramento dell'accuratezza nei risultati.

#Raccolta Dati

Per eseguire i nostri esperimenti, abbiamo raccolto dati da 100 persone, assicurandoci di avere un mix di generi e età. Il set di dati include Scansioni cerebrali sia strutturali che funzionali. Le scansioni funzionali mostrano l'attività cerebrale durante vari compiti. Ogni partecipante ha effettuato più sessioni, assicurando un set di dati ricco e variegato per l'analisi.

Per dare senso a questi dati, li abbiamo divisi in diversi gruppi basati sulle aree del cervello, utilizzando un metodo specifico chiamato atlante cerebrale di Schaefer. Questo atlante aiuta a suddividere il cervello in aree più piccole per uno studio più dettagliato.

#Approcci Sperimentali

Utilizzando l'MTNN, abbiamo confrontato diversi modi di analizzare i dati cerebrali. Abbiamo esaminato sia metodi tradizionali che nuovi metodi di connettività funzionale. Abbiamo testato le prestazioni del nostro modello rispetto ad altri algoritmi ampiamente utilizzati per vedere quanto bene potesse identificare individui e compiti.

I dati sono stati suddivisi per scopi di addestramento e test, il che significa che abbiamo utilizzato parte delle scansioni cerebrali per addestrare il modello e l'altra parte per vedere quanto bene potesse prevedere i risultati.

#Risultati

Nel nostro primo set di esperimenti, il modello MTNN ha performato meglio rispetto ai metodi tradizionali quando si trattava di decodificare compiti. Ha anche raggiunto tassi di successo simili nell'identificazione di individui rispetto ai metodi esistenti, che di solito richiedono modelli separati per ogni compito.

Quando abbiamo esaminato i dati più da vicino, abbiamo scoperto che il metodo che utilizza grafi funzionali derivati dalle scansioni cerebrali ha superato significativamente i metodi tradizionali in molti casi. Man mano che aumentavamo la quantità di dati analizzati, i vantaggi del nostro approccio diventavano più evidenti.

Abbiamo anche investigato quanto fosse efficace l'informazione quando guardavamo specificamente a sottoinsiemi dei dati relativi a diverse reti all'interno del cervello. I nostri risultati hanno indicato che i grafi funzionali costruiti da determinati tipi di dati erano migliori nel riconoscere i compiti, mentre altri erano più efficaci per identificare individui.

#Comprendere i Dati

Per approfondire la nostra comprensione, abbiamo analizzato perché il modello MTNN funzionasse meglio in certe situazioni. Abbiamo esaminato quali connessioni all'interno del cervello erano più importanti per i compiti che eseguiva. Utilizzando un metodo che valuta quanto ciascuna connessione contribuisca alle previsioni finali, siamo riusciti a vedere quali connessioni erano preziose per identificare i compiti rispetto agli individui.

È interessante notare che il modello che usava schemi di co-attivazione, che rappresentano come diverse regioni cerebrali collaborano durante compiti specifici, ha mostrato risultati migliori rispetto a quelli che utilizzavano formati di dati più tradizionali.

#Conclusioni

In sintesi, la nostra ricerca presenta un nuovo modo di affrontare l'analisi delle scansioni cerebrali combinando i compiti di identificazione individuale e decodifica dei compiti in un unico modello. Utilizzando efficacemente diversi metodi per interpretare i dati, abbiamo dimostrato che è possibile ottenere risultati impressionanti minimizzando la complessità dei modelli.

Guardando al futuro, ci sono molte strade interessanti da perseguire basate sulle nostre scoperte. Gli studi futuri possono ampliare i dati in ingresso per includere connessioni cerebrali più dettagliate o persino sperimentare nuovi tipi di modelli di apprendimento. Inoltre, comprendere il significato delle diverse connessioni all'interno delle reti può portare a maggiori intuizioni su come vengono eseguiti i compiti e come vengono identificati gli individui.

In generale, questo studio enfatizza il potenziale di utilizzare metodi avanzati nella ricerca neuroscientifica e apre nuove vie per l'esplorazione nella comprensione del cervello umano.