توصيفگر ها :
نورون دوپامينرژيك , جريانهاي سيستم بينايي , توهم , يادگيري عميق , يادگيري تقويتي , بازي بيزين
چكيده فارسي :
مغز يك آرايش پيچيدهاي از نورونها و سيناپسها ميباشد كه ظرفيت انسان را براي پردازش، تنظيم، تفسير تحريك حسي و اجراي فعاليتهاي ذهني توسعه ميدهد. مهمترين عضو در هر ناحيه مغزي نورونهاي عصبي هستند كه سيگنالها را از طريق سيناپس شيميايي منتقل ميكنند. تاكنون، مدلهاي رياضي و آماري گوناگوني براي تحليل تعاملات نوروني و بيماريهاي عصبي ارائه شده است. اخيرا، به دليل پيشرفتهاي هوش مصنوعي، مدلهاي زيادي با استفاده از الگوريتمهاي آن براي تحليل تعاملات مغزي مطرح شده است. هدف اصلي اين رساله، بازنمايي برخي از تعاملات مغزي و بررسي تأثير يادگيري بر كاركرد آنها است. به منظور دستيابي به اين هدف، تعاملات مغزي در دو سطح نوروني و تعاملات نواحي مغزي مورد بررسي قرار گرفتهاند.
در سطح نوروني، مدل NERL بر اساس تعاملات نورونهاي دوپامينرژيك براي يك مسئله دستهبندي مطرح شده است. مدل NERL يك شبكه عصبي پيشرو است كه در هر لايهاش چندين نورون به عنوان عاملي مستقل و منطقي در نظر گرفته شدهاند. بر اساس سيناپس شيميايي، تعامل نورونهاي شبكه NERL با استفاده از بازي بيزين مدلسازيشده است. سپس، يك شبكه عصبي NERL براي يك مسئله دستهبندي با استفاده از الگوريتم يادگيري Q آموزش داده شده است. دقت مدل با معماري [4، 4، 1] روي مجموعه داده احراز هويت اسكناس 97/03 درصد شد. همچنين، دقت مدل بهبوديافته روي دو دسته ‘A’ و ‘B’ از مجموعه داده notMNIST با معماري [64، 4، 4، 1] 91/8 درصد شد. نتايج نشان داد كه پيچيدهتر كردن ساختار مدل و افزايش اقدامات نورونها در ارسال سيگنال به نورونهاي ديگر، منجر به بهبود كاركرد مدل NERL براي مسئله دستهبندي ميشود. كاركرد نورونها در سطح نوروني منجر به رفتاري متفاوت بين نواحي مغزي مثل سيستم بينايي با ديگر نواحي مغزي ميشود. در اين رساله، كاركرد نواحي دو جريان بطني و خلفي سيستم بينايي در سطح نواحي مغزي بررسي و مدلسازي شدهاست.
%به دليل نزديكي ساختارهاي شبكه عصبي پيچشي با شبكههاي سيستم بينايي، سعي شده است مدلهاي پيشنهادي بر اساس شبكه عصبي پيچشي باشند. مدل هدف-محور VeDo مبتني بر شبكههاي عصبي پيچشي براي مدلسازي دو جريان بصري سيستم بينايي (براي انجام وظايف دستهبندي، مكانيابي اشياء و تخمين فاصله بين دو شئ) مطرح شد. سپس، تاثير اختلال اوتيسم بر كاركرد جريان خلفي در مدل پيشنهادي نشان داده شده است. بعد از دوره آموزش، دقت مدل براي دستهبندي اشياء و فاصله بين اشياء 100 درصد شد. نتايج نشاندهنده اين واقعيت است كه اختلالهاي جريان خلفي در سطوح اوليهاش با يادگيري قابل بهبود هستند. سپس، بر اساس فيزيولوژي و تعاملات نواحي سيستم بينايي به ويژه در جريان بطني، مدل Hallu-GAN براي شبيهسازي تعاملات اين سيستم به هنگام بروز عارضه توهم پيشنهاد شد. دليل انتخاب شبكه مولد خصمانه براي مدل پيشنهادي اين است كه نواحي مغزيِ درگير در توهم بينايي يك مكانيزم خصمانه در برابر هم در پيش ميگيرند. در مدل
Hallu-GAN، شبكه مولد به عنوان سيستم بينايي با دريافت تصوير محيطي سعي ميكند تصوير متناسبي (به عنوان درك تصوير ورودي) را بازسازي كند. شبكه متمايزگر به عنوان نواحي پيشاني مغز سعي در تشخيص واقعي يا تصور بودن تصوير دريافتي از شبكه مولد (سيستم بينايي) را دارد. براي بهبود و همگرا كردن ساختار مدل پيشنهادي به ساختار سيستم بينايي، در ادامه، دو مدل بهبود يافته پيشنهاد شده است. در مدل براي مدلسازي تاثير كاركرد نواحي ديگر مغزي، يك ورودي جديد به عنوان تعيينكننده حالت مغز به شبكه مولد براي توليد داده ارسال ميشود. باتوجه به نتايج حاصل از شبيهسازي ميتوان گفت مدل رفتار متوهمي سيستم بينايي در سندرم چارلز بونه را به خوبي بازنمايي كرده است. همچنين، مدل توانايي بازنمايي ادراك توهمي و سالم را بر اساس محيطهاي خارجي را دارد. در مدل براي بازنمايي بهتر تعاملات زيرنواحي سيستم بينايي، يك زيرشبكه به عنوان مبدل ورودي پيشنهاد شده است. اين شبكه با دريافت تصوير محيطي يك بردار ويژگي به شبكه مولد ارسال ميكند. همچنين، شبكه متمايزگر نيز به دو شبكه مجزا تبديل شده است. شبكه مدل NERL با معماري [64، 4، 4، 1] روي دادههاي ‘A’ و ‘C’ با دقت 91/78 درصد به عنوان تشخيص دهنده توهم از غير توهم در نظر گرفته شد. باتوجه به نتايج حاصل از شبيهسازي ميتوان گفت مدل رفتار متوهمي سيستم بينايي در بيماري روانگسيختگي و پاركينسون را توانسته بازنمايي كند.
چكيده انگليسي :
The brain is an intricate network of neurons and synapses that enables humans to process, regulate, interpret, and perform mental tasks. Neurons, which utilize chemical synapses to transmit messages, are the essential components of each brain region. Numerous statistical and mathematical models have been developed to analyze neurological disorders and neural interactions. Recent advancements in artificial intelligence (AI) have led to the presentation of various models to elucidate how the brain functions and interacts.
The primary objective of this thesis is to illustrate certain brain interactions and analyze the influence of learning on their functionality. To achieve this goal, we analyze brain interconnections at both the cellular level and the regional level.%among various brain regions.
The interactions of dopaminergic neurons in a classification task provide the foundation for the NERL model. In this model, neurons are put as independent and logical agents within each layer of a feedforward neural network. The neuronal interactions in the NERL network are represented through a Bayesian game based on chemical synapses. Subsequently, the NERL neural network is trained using the approximate Q-learning method to solve a classification problem. The architecture [4,4,1] achieved an accuracy of 97.03% on the banknote authentication dataset. Also, the accuracy of the improved model on two classes 'A' and 'B' from the notMNIST dataset with the architecture [64,4,4,1] was 91.8%. The results showed that making the model structure more complex and increasing the actions of neurons in sending signals to other neurons improves the performance of the NERL model for the classification problem.
The functionality of neurons at the neuronal level leads to different behavior between brain regions, such as the visual system, and other brain regions.
In this thesis, we investigate the functionality of the ventral and dorsal streams of the visual system and model at the brain region level. We proposed the goal-oriented VeDo model, based on convolutional neural networks, to model the two visual streams of the visual system (for performing tasks of classification, object localization, and distance estimation between two objects). So, the effect of autism disorder on the function of the dorsal stream in the proposed model has been shown. After the training period, the accuracy of the model for object classification and distance between objects became 100%. The results indicate the fact that dorsal stream disorders at their initial levels can be improved with learning.
On the other hand, based on the physiology and interactions of the visual system regions, especially in the ventral stream, we propose the Hallu-GAN model to simulate the interactions of this system during the occurrence of hallucination. The reason for choosing the adversarial generative network for the proposed model is that the brain areas involved in visual hallucinations adopt an adversarial mechanism against each other.
In the Hallu-GAN model, the generative network as the visual system tries to reconstruct a suitable image (as the perception of the input image) by receiving the environmental image. The discriminator network as the frontal areas of the brain tries to distinguish whether the image received from the generative network (visual system) is real or imagined. To improve and converge the structure of the proposed model to the structure of the visual system, two improved models are proposed below. In the Hallu-GAN$^+$ model, to model the effect of the function of other brain areas, a new input is sent to the generative network as a determinant of the brain state to generate data. According to the simulation results, it can be said that the Hallu-GAN$^+$ model has well represented the illusory behavior of the visual system in Charles Bonnet syndrome. ...
