Исследователи Федеральной политехнической школы Лозанны разработали новый метод машинного обучения. Он позволяет сжимать данные изображения с большей точностью, чем классический метод без обучения, и может быть применен в имплантах сетчатки и других сенсорных протезах.
Одна из главных проблем в разработке нейронных протезов — сенсорное кодирование, то есть превращение информации, которую получают датчики, в сигналы, понятные нервной системе. Существенную роль здесь играет ограниченное количество электродов, которыми протез может соединяться с телом человека. Это ограничение диктует следующее решение проблемы: каким-то образом «сжать» воздействие окружающей среды при сохранении качества данных, которые передаются в мозг.
Итальянские специалисты применили для решения проблемы сжатия данных машинное обучение. Их целью была понижающая дискретизация, или уменьшение количества пикселей в изображении. Они разработали алгоритм «актор–модель» (actor-model framework). Модель действует как двойник сетчатки. Он обучается получать изображение в высоком разрешении и превращать его в двоичный код, который очень похож на естественный код нейронов. После этого актор обучается уменьшать выборку изображения с высоким разрешением.
Ученые протестировали свою модель на искусственной сетчатке и сетчатке мертвой мыши. Оба эксперимента показали, что модели удалось вызвать более естественную реакцию нейронов на изображение, чем в случае обработки последнего без машинного обучения.
Разработчики планируют внедрять свою разработку не только в протезы сетчатки, но и в другие нейронные протезы, сообщает SciTechDaily.
Ранее «Мир робототехники» писал, что специалисты Международного томографического центра СО РАН и Новосибирского государственного университета разработали программное обеспечение на основе искусственного интеллекта, предназначенное для точного анализа поражений головного мозга, вызванных рассеянным склерозом. Андрей Тулупов, руководитель лаборатории МРТ-технологий, отметил, что искусственный интеллект также позволяет оценивать эффективность применяемой терапии.
