权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

機械学習による意思決定の新因子同定と神経基盤解明

使用机器学习识别新因素并阐明决策的神经基础

基本信息

批准号：
21K19781
负责人：
船水章大
金额：
$ 4.16万
依托单位：
The University of Tokyo
依托单位国家：
日本
项目类别：
Grant-in-Aid for Challenging Research (Exploratory)
财政年份：
2021
资助国家：
日本
起止时间：
2021-07-09 至 2024-03-31
项目状态：
已结题

项目摘要

1997年に中脳ドーパミン細胞による強化学習（報酬予測誤差）実装が発見されて以来，脳の意思決定研究は，神経細胞と強化学習の関係を調べてきた．しかし，強化学習は，動物の行動選択を100%説明できるわけではない．本研究は，脳の意思決定モデルの再構築に向けて，深層学習で，マウスの行動選択を予測する．情報学的手法と，マウスの神経活動計測を組み合わせて，脳の意思決定の新因子同定を目指す．意思決定の新因子同定に向けて，本年度は，前年度に構築した行動実験系で，マウスの身体運動データを計測した．この行動実験系では，カメラを4台から5台に増設し，前後左右から (前方3台，後方2台)，マウスの身体運動を140 Hzのサンプリングレートで計測した．なお，複数のカメラで，異なる位置から身体運動を計測し，マウスの身体運動の3次元軌道を取得した．行動課題中の4匹以上のマウスで，データを計測した．また，身体運動計測と同時に，マウスの神経活動を電気生理学的に計測した．意思決定の因子同定に向けて，必須なデータの取得が完了した．身体運動データの解析では，前年度と同様に，DeepLabCutで，マウスの主要な身体部位の軌道を抽出した．また，身体運動軌道と神経活動の同期を取り，解析用データセットを作成した．今後，深層学習や線形回帰，スパース性を持つラッソ回帰といった機械学習で，マウスの選択行動の100%予測を目指す．また，深層学習の素子の挙動から，行動選択に重要な非線形神経回路網を予測・モデル化し，マウスの実際の神経活動と対応付ける．

Since 1997, when reinforcement learning (compensation prediction error) was first discovered in the brain, rational decision-making studies have been conducted to investigate the relationship between reinforcement learning and neurocellular learning.しかし，强化学习は，动物の行动选択を100%说明できるわけではない. This study aims to reconstruct rational decision-making, and predict action choices based on deep learning. Informatics techniques, the measurement of mental activity, and the identification of new factors in rational decision making. A new factor in rational decision-making is the construction of a system of physical activity in the current year and in the previous year. The movement of the body is measured at 140 Hz. The movement of the body is measured at 140 Hz. The body movement is measured at different positions, and the three-dimensional orbit of the body movement is obtained. More than 4 items in the action project were measured. Body movement measurement and electrophysiological measurement Rational decision-making factors in the same direction, must be completed. The body movement is analyzed in the same way as in the previous year, DeepLabCut is extracted from the orbit of the main body part. The body movement orbit and the mental activity synchronization are determined by the analysis. In the future, deep learning and linear regression will be used for mechanical learning, and 100% prediction of its selective actions will be used for visual guidance. Deep learning is the key to the prediction of nonlinear neural networks, the optimization of neural networks, and the response to real-time neural activity.