моделирование распространения сигнала в зрительной коре

Актуальные проблемы естественных наук
4. Салам М.Р., Петров С.И. Определение микропримесей меди(II), свинца(II) и
кадмия(II) в пищевых продуктах методом инверсионной вольт-амперометрии //Ж.
анал. химии. - 1984. - Т. ХХХIX, вып. 12. - С. 2172-2174.
5. Микроэлементы в питании человека. Доклад комитета экспертов ВОЗ. – М.:
Медицина, 1975. - №532. - 73с.
6. Трахтенберг И.М., Колесников В.С., Луковенко В.М. Тяжелые металлы во
внешней среде. - Минск: «Навука і техніка», 1994. - 285 с.
7. Шумова О.В. Методические указания по определению микроэлементов в
кормах и растениях. Москва.1973.
8. Методы агрохимического анализа Определение кобальта в растениях и
кормах растительного происхождения. Отраслевой стандарт, ост 10.155-88. Москва.
9. Сырьё и продукты, пищевые методы определения токсичных элементов,
ГОСТ 26930-86―ГОСТ 26934-86.
10. Скальный А.В. Химические элементы в физиологии и экологии человека,
Москва ОНИК 21 век Мир 2004.
11. Джапаридзе Д. И., Шавгулидзе Н. В., и другие. Определение тяжелых
металлов в волосах человека методами дифференциальной импульсной
полярографии и рентгеновской флуоресцентной спектроскопии//украiнский журнал,
мидицинипрацi., удк 663.97:97:546:3:54.062.
12. Синяченко О.В., Стефаненко Е.П., и другие. Содержание микро- и
макроэлементов в волосах здоровых людей. Донецкий государственный
медицинский университет им. Горького, Диагностический центр «Биотическая
медицина».
МОДЕЛИРОВАНИЕ РАСПРОСТРАНЕНИЯ СИГНАЛА В
ЗРИТЕЛЬНОЙ КОРЕ ГОЛОВНОГО МОЗГА
Калани Мартин
Научный руководитель: Аксенов С.В.
Национальный исследовательский Томский политехнический университет, г.Томск
Реферат
В работе рассматривается моделирование распространения сигнала между
нервными клетками в коре головного мозга с помощью вычислительных ресурсов
суперкомпьютерного кластера ТПУ. Восприятие зрительной информации – один из
важнейших каналов обработки сигналов извне к человеку. Примерно 20% всех
нервных клеток головного мозга участвуют в процессах анализа и интерпретации
зрительного сигнала. Само моделирование обработки визуальных данных было
решено производить путем создания информационной модели зрительной коры и
анализом протекающих в ней процессов. Предлагаемая модель обладает
характеристиками, присущими зрительной коре: иерархическое представление
информации на разных уровнях абстракции, интерпретация результатов,
возможность запоминания новых и корректировки образов, хранящихся в памяти.
343
IV Всероссийская научно-практическая конференция «Научная инициатива
иностранных студентов и аспирантов российских вузов»
Моделирование
Огромный массив этих нейронов достаточно сложно и трудоёмко
смоделировать средствами обычного многоядерного компьютера, поэтому для
решения поставленной задачи было решено использовать вычислительный кластер.
Это также согласуется с технологией обработки сигнала в головном мозге, то есть
множество узлов суперкомпьютера работают совместно для получения итогового
результата идентификации аналогично тому, как нейронное клетки путем
многочисленных взаимосвязей разбивают исходное изображение на фрагменты и
производят коллективную обработку сигнала для узнавания образа.
Достижение
поставленной
задачи
выполняется
путем
создания
информационной иерархической структуры зрительного тракта. Причем каждый
слой иерархии выполняет обработку зрительного сигнала таким образом, как в
настоящее время понимается анализ выходов от зрительных рецепторов. Каждый
уровень иерархии состоит из набора двумерных плоскостей нервных клеток, каждая
из которых настраивается на восприятие определенных характеристик сигнала.
Причем, с повышением уровня иерархии возрастает сложность воспринимаемых
характеристик, а также увеличиваются размеры рецептивного поля нервных клеток
относительно поля выходных сигналов зрительных рецепторов. Перед процедурой
узнавания образа необходимо обучить модель восприятию набора объектов.
Поэтому для моделирования сигнала введено два режима работы системы: в режиме
запоминания и в режиме идентификации. После процедуры запоминания образа
синаптические веса настраиваемых нейронов модифицируются таким образов,
чтобы усиливать сигнал при попадании на них сохраненной в памяти
характеристики и ослаблять сигнал любого другого вида.
Методы
Нейронные клетки, располагающиеся на самом нижнем уровне иерархии и
обладающие самым минимальным в системе рецептивным полем, моделируют
работу первичной зрительной коры, то есть идентифицируют простейшие линии и
углы. В математическом представлении работы этих клеток можно задействовать
фильтр Габора, позволяющий детектировать неоднородности исследуемого
входного сигнала. Сигналы с этих нейронных клеток возбуждают сложные клетки
зрительной коры, способные детектировать характеристики сигнала, инвариантные
к ширине входной характеристики. Этот слой ещё называется MAX-слоем, так как
нейроны определяют максимальные выходы простых клеток, с которыми они
связаны. Следующий слой системы моделируется с помощью специально
настраиваемой нейронной структуры – самоорганизующейся картой признаков.
Нервные клетки, располагающиеся внутри каждой карты признаков, комбинируют
сигналы с набора сложных нейронов, что позволяет настраивать их на достаточно
сложные характеристики входного сигнала. Уже на этом уровне восприятия
нейронная система способна воспринимать простые образы: треугольники, круги и
другие образы простой формы. Заключительный уровень системы – слой
видонастраиваемых
клеток.
Исследования
зрительной
коры
показали
существование специальных клеток, активных при предъявлении уже запомненного
образа. Входными сигналами этих клеток будут выходы аксонов со всех
самоорганизующихся карт признаков. Наибольшая активность клеток этого уровня
будет ассоциирована с узнаванием уже запомненного образа. Для моделирования
работы этих клеток были взяты радиальные базисные функции, позволяющие
344
Актуальные проблемы естественных наук
находить разницу между входным сигналом и характеристиках целого объекта,
сохраненного в синапсах клеток.
Используемые функции
Простые нейроны используют фильтрацию Габора для детектирования
простых фрагментов образа. Выход аксона описывается следующим выражением:
(x ' )2
⎡ ⎛ (x ' ) 2 + ( y ' ) 2
⎞⎤
G xy = 2
*
exp
−⎜
2 ⎟⎥ ,
⎢
2
2σ ⎠⎦
σ * (σ − 1)
⎣ ⎝
где θ обозначает угол локальной характеристики, σ - ширина характеристики,
x' и y' вычисляются из известного расположения x, y синаптической связи внутри
области рецепции:
x ' = − x * cos(θ ) + y * sin(θ ),
y ' = x * cos(θ ) + y * sin(θ )
Сложные нейроны максимально используют нелинейную операцию,
комбинируют выходы простых нейронов, ответственных за восприятие одинаковой
локальной характеристики с отличающейся шириной σ .
Самоорганизующиеся карты признаков – первый настраиваемый элемент
системы – работают в двух режимах, первоначально используя режим обучения
(настройка должна производиться до запоминания образов целиком). Входной образ
после обнаружения характеристик в сложных клетках многократно подается на
синаптические связи самообучающихся нейронов. Те клетки, которые имеют
уровень синаптического веса W(t), близкий к уровню сигнала D(t)), проходят через
процедуру настройки, согласно обучающему правилу:
W (t + 1) = W (t ) + α * ( D(t ) − W (t )) ,
где α – скорость научения нейронов.
В режиме распознавания эти клетки также вычисляют расстояние между
своими весовыми характеристиками и уровнем входного сигнала. Нейроны с
минимальным расстоянием многократно усиливают входной сигнал, а все
остальные значительно ослабляют.
Выходы аксонов видонастраиваемых клеток используют функции вида:
2
x−c
),
ϕ ( x) = exp(−
2ρ 2
где c – усреднённый выход самоорганизующегося нейрона с характеристикой,
входящей в запомненный образ, ρ – степень разброса характеристики для
различающихся образов, относящихся к одному и тому же классу.
345