การถอดรหัสประสาทเป็น สาขา วิทยาศาสตร์ประสาทที่เกี่ยวข้องกับการสร้างสมมติฐานของสิ่งเร้าทางประสาทสัมผัสและสิ่งเร้าอื่นๆ จากข้อมูลที่ได้รับการเข้ารหัสและแสดงไว้ในสมองโดยเครือข่ายของเซลล์ประสาท แล้ว ^{[ 1 ]}การสร้างใหม่หมายถึงความสามารถของนักวิจัยในการคาดการณ์ว่าสิ่งเร้าทางประสาทสัมผัสที่ผู้ถูกทดลองได้รับนั้นมาจากศักยภาพการทำงานของเซลล์ประสาทเพียงอย่างเดียวดังนั้นเป้าหมาย หลักของการถอดรหัสประสาทคือการระบุลักษณะว่า กิจกรรมทางไฟฟ้าของเซลล์ประสาทก่อให้เกิดกิจกรรมและการตอบสนองในสมองอย่างไร^{[ 2 ]}

บทความนี้กล่าวถึงการถอดรหัสทางประสาทโดยเฉพาะในส่วนที่เกี่ยวข้องกับเปลือกสมองส่วนหน้าของสัตว์เลี้ยงลูกด้วย นม

เมื่อมองภาพ สมองของคนเราจะตัดสินใจอยู่ตลอดเวลาว่ากำลังมองวัตถุอะไรอยู่ ต้องเลื่อนสายตาไปที่ใดต่อไป และอะไรคือส่วนที่โดดเด่นที่สุดของสิ่งเร้าที่เข้ามา เมื่อภาพเหล่านี้กระทบกับด้านหลังของเรตินา สิ่งเร้าเหล่านี้จะถูกแปลงจากความยาวคลื่นที่แตกต่างกันไปเป็นชุดของสัญญาณประสาทที่เรียกว่าศักย์การกระทำ (action potential ) รูปแบบของศักย์การกระทำเหล่านี้จะแตกต่างกันสำหรับวัตถุและสีที่แตกต่างกัน ดังนั้นเราจึงกล่าวว่าเซลล์ประสาทกำลังเข้ารหัสวัตถุและสีโดยการเปลี่ยนแปลงอัตราการเกิดสัญญาณหรือรูปแบบเวลาของพวกมัน หากใครสักคนทำการตรวจสอบสมองโดยการวางอิเล็กโทรดในคอร์เทกซ์การมองเห็นหลักพวกเขาอาจพบสิ่งที่ดูเหมือนจะเป็นกิจกรรมทางไฟฟ้าแบบสุ่ม เซลล์ประสาทเหล่านี้กำลังทำงานเพื่อตอบสนองต่อคุณลักษณะระดับล่างของข้อมูลภาพ เช่น ขอบของกรอบรูป นี่เป็นการเน้นย้ำถึงหัวใจสำคัญของสมมติฐานการถอดรหัสทางประสาท: ว่าเป็นไปได้ที่จะสร้างสิ่งเร้าขึ้นใหม่จากการตอบสนองของกลุ่มเซลล์ประสาทที่แสดงถึงสิ่งเร้านั้น กล่าวอีกนัยหนึ่งคือ เป็นไปได้ที่จะดูข้อมูลการกระตุ้นประสาทและบอกได้ว่าบุคคลหรือสัตว์ที่ถูกบันทึกกำลังมองไปที่ลูกบอลสีแดง

ด้วยความก้าวหน้าล่าสุดในเทคโนโลยีการบันทึกและการถอดรหัสประสาทขนาดใหญ่ นักวิจัยได้เริ่มถอดรหัสประสาทและได้ให้ภาพรวมแรกของรหัสประสาทแบบเรียลไทม์ของร่องรอยความทรงจำในขณะที่ความทรงจำถูกสร้างขึ้นและเรียกคืนในฮิปโปแคมปัส ซึ่งเป็นบริเวณสมองที่ทราบกันดีว่าเป็นศูนย์กลางของการสร้างความทรงจำ^{[ 3 ] [ 4 ]}นักประสาทวิทยาได้ริเริ่มโครงการทำแผนที่กิจกรรมสมองขนาดใหญ่หรือโครงการถอดรหัสสมอง^{[ 5 ]}เพื่อสร้างรหัสประสาททั่วทั้งสมอง

โดยนัยของสมมติฐานการถอดรหัสคือสมมติฐานที่ว่าการส่งสัญญาณประสาทในสมองแสดงถึงสิ่งเร้าในโลกภายนอก การถอดรหัสข้อมูลประสาทจะเป็นไปไม่ได้หากเซลล์ประสาทส่งสัญญาณแบบสุ่ม: จะไม่มีอะไรถูกแสดงออกมา กระบวนการถอดรหัสข้อมูลประสาทนี้ก่อให้เกิดวงจรกับการเข้ารหัสประสาทก่อนอื่น สิ่งมีชีวิตต้องสามารถรับรู้ชุดของสิ่งเร้าในโลกได้ เช่น ภาพหมวก การเห็นสิ่งเร้าต้องส่งผลให้เกิดการเรียนรู้ภายในบางอย่าง: ขั้นตอนการเข้ารหัส หลังจากเปลี่ยนแปลงช่วงของสิ่งเร้าที่นำเสนอต่อผู้สังเกต เราคาดหวังว่าเซลล์ประสาทจะปรับตัวให้เข้ากับคุณสมบัติทางสถิติของสัญญาณโดยเข้ารหัสสิ่งเหล่านั้นที่เกิดขึ้นบ่อยที่สุด: ^{[ 6 ]}สมมติฐานการเข้ารหัสที่มีประสิทธิภาพตอนนี้การถอดรหัสประสาทคือกระบวนการของการนำความสอดคล้องทางสถิติเหล่านี้ ซึ่งเป็นแบบจำลองทางสถิติของโลก และสร้างสิ่งเร้าขึ้นมาใหม่ สิ่งนี้อาจเชื่อมโยงกับกระบวนการคิดและการกระทำ ซึ่งในทางกลับกันจะชี้นำว่าเราได้รับสิ่งเร้าอะไรบ้าง และทำให้วงจรสมบูรณ์

ในการสร้างแบบจำลองข้อมูลสไปค์ประสาท จำเป็นต้องเข้าใจทั้งวิธีการจัดเก็บข้อมูลในสมองในตอนแรก และวิธีการใช้ข้อมูลนี้ในภายหลัง วงจรการเข้ารหัสและถอดรหัสประสาท นี้ เป็นความสัมพันธ์แบบพึ่งพาอาศัยกัน และเป็นหัวใจสำคัญของอัลกอริธึมการเรียนรู้ของสมอง ยิ่งไปกว่านั้น กระบวนการที่อยู่เบื้องหลังการถอดรหัสและการเข้ารหัสประสาทนั้นเชื่อมโยงกันอย่างแน่นหนา และอาจนำไปสู่ความสามารถในการเป็นตัวแทนในระดับที่แตกต่างกัน^{[ 7 ] [ 8 ]}

ปัญหาการถอดรหัสทางประสาทส่วนใหญ่ขึ้นอยู่กับความละเอียดเชิงพื้นที่ของข้อมูลที่รวบรวมได้ จำนวนเซลล์ประสาทที่จำเป็นในการสร้างภาพกระตุ้นขึ้นใหม่ด้วยความแม่นยำที่เหมาะสมนั้นขึ้นอยู่กับวิธีการรวบรวมข้อมูลและบริเวณที่กำลังบันทึก ตัวอย่างเช่นเซลล์รูปแท่งและเซลล์รูปกรวย (ซึ่งตอบสนองต่อสีของพื้นที่ภาพขนาดเล็ก) ในเรตินาอาจต้องการการบันทึกมากกว่าเซลล์แบบง่าย (ซึ่งตอบสนองต่อทิศทางของเส้น) ในเปลือกสมองส่วนรับภาพหลัก

วิธีการบันทึกก่อนหน้านี้อาศัยการกระตุ้นเซลล์ประสาทเดี่ยวซ้ำๆ ในชุดการทดสอบหลายครั้งเพื่อสรุปพฤติกรรมของเซลล์ประสาทนี้^{[ 9 ]}เทคนิคใหม่ๆ เช่นการบันทึกอาร์เรย์อิเล็กโทรดหลายตัวที่ มีความหนาแน่นสูง และเทคนิคการถ่ายภาพแคลเซียมแบบหลายโฟตอนทำให้สามารถบันทึกจากเซลล์ประสาทได้หลายร้อยเซลล์ แม้จะมีเทคนิคการบันทึกที่ดีขึ้น แต่การบันทึกเหล่านี้จะต้องมุ่งเน้นไปที่บริเวณของสมองที่จัดการได้และเข้าใจได้ในเชิงคุณภาพ การศึกษาหลายชิ้นพิจารณาข้อมูลการส่งสัญญาณที่รวบรวมจากเซลล์แกงลีออนในเรตินา เนื่องจากบริเวณนี้มีข้อดีคือเป็นแบบส่งต่อ อย่างเคร่งครัด เป็นแบบเรตินาโทปิกและเหมาะสมกับความละเอียดของการบันทึกในปัจจุบัน ระยะเวลา ความเข้ม และตำแหน่งของสิ่งเร้าสามารถควบคุมได้เพื่อสุ่มตัวอย่าง เช่น กลุ่มย่อยเฉพาะของเซลล์แกงลีออนภายในโครงสร้างของระบบการมองเห็น^{[ 10 ]}การศึกษาอื่นๆ ใช้สไปค์เทรนเพื่อประเมินความสามารถในการแยกแยะของประสาทสัมผัสที่ไม่ใช่การมองเห็น เช่น หนวดบนใบหน้าของหนู^{[ 11 ]}และการเข้ารหัสกลิ่นของเซลล์ประสาทรับฟีโรโมนของผีเสื้อกลางคืน^{[ 12 ]}

แม้ว่าเทคนิคการบันทึกจะดีขึ้นเรื่อยๆ แต่ก็ยังคงมีปัญหาเรื่องการสุ่มตัวอย่างที่จำกัดอยู่เสมอ กล่าวคือ เมื่อพิจารณาจำนวนการทดลองบันทึกที่จำกัดแล้ว เป็นไปไม่ได้ที่จะอธิบายข้อผิดพลาดที่เกี่ยวข้องกับข้อมูลที่มีสัญญาณรบกวนซึ่งได้มาจากเซลล์ประสาทที่ทำงานแบบสุ่มได้อย่างสมบูรณ์ (ตัวอย่างเช่นศักย์ไฟฟ้า ของเซลล์ประสาท จะผันผวนรอบศักย์พักเนื่องจากการไหลเข้าและไหลออกของ ไอออน โซเดียมและโพแทสเซียม อย่างต่อเนื่อง ) ดังนั้น จึงไม่สามารถสร้างสิ่งเร้าขึ้นใหม่ได้อย่างสมบูรณ์แบบจากข้อมูลสไปค์ โชคดีที่แม้จะมีข้อมูลที่มีสัญญาณรบกวน สิ่งเร้าก็ยังสามารถสร้างขึ้นใหม่ได้ภายในขอบเขตข้อผิดพลาดที่ยอมรับได้^{[ 13 ]}

ช่วงเวลาและความถี่ของสิ่งเร้าที่นำเสนอต่อผู้สังเกตก็มีความสำคัญต่อการถอดรหัสรหัสประสาทเช่นกัน ช่วงเวลาที่เร็วขึ้นและความถี่ที่สูงขึ้นต้องการการตอบสนองที่เร็วขึ้นและแม่นยำยิ่งขึ้นในข้อมูลสไปค์ประสาท ในมนุษย์ ความแม่นยำระดับมิลลิวินาทีได้รับการสังเกตทั่วทั้ง คอ ร์เทกซ์การมองเห็นเรตินา[ ^{14 ]}และนิวเคลียสเจนิคิวเลตด้านข้าง^{ดังนั้น}จึงคาดว่านี่จะเป็นความถี่ในการวัดที่เหมาะสม ซึ่งได้รับการยืนยันในการศึกษาที่วัดปริมาณการตอบสนองของเซลล์ประสาทในนิวเคลียสเจนิคิวเลตด้านข้างต่อสิ่งเร้าที่เป็นเสียงรบกวนสีขาวและภาพยนตร์ธรรมชาติ^{[ 15 ]}ในระดับเซลล์พลาสติซิตี้ที่ขึ้นอยู่กับเวลาสไปค์ทำงานที่ช่วงเวลาระดับมิลลิวินาที^{[ 16 ]}ดังนั้นแบบจำลองที่ต้องการความเกี่ยวข้องทางชีววิทยาควรจะสามารถทำงานได้ที่ช่วงเวลาเหล่านี้

เมื่อถอดรหัสข้อมูลประสาท เวลาที่สไปค์แต่ละตัวมาถึงและความน่าจะเป็นของการเห็นสิ่งเร้าบางอย่างอาจเป็นขอบเขตของข้อมูลที่มีอยู่การแจกแจงก่อนหน้าจะกำหนดกลุ่มของสัญญาณ และแสดงถึงความน่าจะเป็นของการเห็นสิ่งเร้าในโลกโดยอิงจากประสบการณ์ก่อนหน้า เวลาของสไปค์อาจถูกดึงมาจากการแจกแจงเช่นกัน อย่างไรก็ตาม สิ่งที่เราต้องการทราบคือการแจกแจงความน่าจะเป็นเหนือชุดของสิ่งเร้าที่กำหนดโดยชุดของสไปค์เทรนซึ่งเรียกว่า กลุ่ม แบบมีเงื่อนไขการตอบสนองสิ่งที่เหลืออยู่คือการกำหนดลักษณะของรหัสประสาทโดยการแปลงสิ่งเร้าเป็นสไปค์วิธีการดั้งเดิมในการคำนวณการแจกแจงความน่าจะเป็นนี้คือการกำหนดสิ่งเร้าให้คงที่และตรวจสอบการตอบสนองของเซลล์ประสาท การรวมทุกอย่างโดยใช้กฎของเบย์สส่งผลให้เกิดการกำหนดลักษณะความน่าจะเป็นที่ง่ายขึ้นของการถอดรหัสประสาท: พื้นที่ของการวิจัยที่กำลังดำเนินการอยู่ประกอบด้วยการหาวิธีที่ดีกว่าในการแสดงและกำหนด[ ^{17 ] ต่อ}ไปนี้เป็นตัวอย่างบางส่วนดังกล่าว ${\displaystyle t_{1},{\text{ }}t_{2},{\text{ }}...,{\text{ }}t_{n}{\text{ }}={\text{ }}\{t_{i}\}}$${\displaystyle P[s(t)]}$${\displaystyle P[s(t)]}$${\displaystyle P[\{t_{i}\}]}$${\displaystyle P[s(t)|\{t_{i}\}]}$${\displaystyle P[\{t_{i}\}|s(t)]}$${\displaystyle P[s(t)|\{t_{i}\}]=P[\{t_{i}\}|s(t)]*(P[s(t)]/P[\{t_{i}\}])}$${\displaystyle P[\{t_{i}\}|s(t)]}$

กลยุทธ์การเข้ารหัสที่ง่ายที่สุดคือการเข้ารหัสตามจำนวนสไปค์เทรน (Spike Train Number Coding ) วิธีนี้ถือว่าจำนวนสไปค์เป็นการวัดปริมาณข้อมูลสไปค์เทรนที่สำคัญที่สุด ในการเข้ารหัสตามจำนวนสไปค์เทรน แต่ละสิ่งเร้าจะถูกแทนด้วยอัตราการยิงที่ไม่ซ้ำกันในเซลล์ประสาทที่สุ่มตัวอย่าง สีแดงอาจหมายถึงสไปค์ทั้งหมด 5 ครั้งในชุดเซลล์ประสาททั้งหมด ในขณะที่สีเขียวอาจหมายถึง 10 สไปค์ โดยแต่ละสไปค์จะถูกรวมเข้าด้วยกันเป็นจำนวนรวม ซึ่งแสดงได้ดังนี้:

${\displaystyle P(r|s)=\prod _{}P(n_{ij}|s)}$

โดยที่จำนวนสไปค์คือจำนวนสไปค์ของเซลล์ประสาทณ เวลาที่นำเสนอสิ่งเร้าและ s คือสิ่งเร้า ${\displaystyle r=n=}$${\displaystyle n_{ij}}$${\displaystyle i}$${\displaystyle j}$

การเพิ่มองค์ประกอบเวลาเล็กน้อยส่งผลให้เกิด กลยุทธ์ การเข้ารหัสเวลาการเกิดสไปค์โดยปริมาณหลักที่วัดคือจำนวนสไปค์ที่เกิดขึ้นภายในช่วงเวลา T ที่กำหนดไว้ล่วงหน้า วิธีนี้เพิ่มมิติใหม่ให้กับวิธีเดิม รหัสเวลาดังกล่าวมีดังนี้:

${\displaystyle P(r|s)=\prod _{l}\left[\prod _{i,j}v_{i}(t_{ijl}|s)dt\right]exp\left[-\sum _{i}\int _{0}^{T}dtv_{i}(t|s)\right]}$

โดยที่คือสไปค์ที่ j ในการนำเสนอครั้งที่ l ของเซลล์ประสาท i, คืออัตราการยิงของเซลล์ประสาท i ณ เวลา t และ 0 ถึง T คือเวลาเริ่มต้นและเวลาสิ้นสุดของการทดลองแต่ละครั้ง ${\displaystyle t_{ijl}}$${\displaystyle v_{i}(t|s)}$

รหัสความสัมพันธ์เชิงเวลา (Temporal correlation code ) ตามชื่อที่ระบุไว้ จะเพิ่มความสัมพันธ์ระหว่างสัญญาณสไปค์แต่ละตัว ซึ่งหมายความว่าเวลาKระหว่างสัญญาณสไปค์หนึ่งกับสัญญาณสไปค์ก่อนหน้าจะถูกนำมาพิจารณาด้วย โดยแสดงได้ดังนี้: ${\displaystyle t_{i}}$${\displaystyle t_{i-1}}$

${\displaystyle P(r|s)=\prod _{l}\left[\prod _{i,j}v_{i}(t_{ijl},\tau (t_{ijl})|s)dt\right]exp\left[-\sum _{i}\int _{0}^{T}dtv_{i}(t,\tau (t)|s)\right]}$

ช่วงเวลาระหว่างการส่งสัญญาณของเซลล์ประสาทครั้งหนึ่งกับครั้งก่อนหน้าคือ เท่าใด${\displaystyle \tau (t)}$

คำอธิบายอีกประการหนึ่งของข้อมูลการส่งสัญญาณประสาทใช้แบบจำลอง Isingที่ยืมมาจากฟิสิกส์ของสปินแม่เหล็ก เนื่องจากสัญญาณประสาทถูกแปลงเป็นไบนารีอย่างมีประสิทธิภาพ (เปิดหรือปิด) ในช่วงเวลาสั้นๆ (10 ถึง 20 มิลลิวินาที) แบบจำลอง Isingจึงสามารถจับภาพความสัมพันธ์แบบคู่ในปัจจุบันได้อย่างมีประสิทธิภาพ^{[ 18 ]}และกำหนดโดย:

${\displaystyle P(r|s)={\frac {1}{\mathrm {Z} (s)}}exp\left(\sum _{i}h_{i}(s)r_{i}+{\frac {1}{2}}\sum _{i\neq j}J_{ij}(s)r_{i}r_{j}\right)}$

โดยที่คือเซตของการตอบสนองแบบไบนารีของเซลล์ประสาท i, คือฟังก์ชันสนามภายนอก , คือฟังก์ชันการจับคู่แบบคู่และคือฟังก์ชันการแบ่งส่วน${\displaystyle r=(r_{1},r_{2},...,r_{n})^{T}}$${\displaystyle h_{i}}$${\displaystyle J_{ij}}$${\displaystyle \mathrm {Z} (s)}$

นอกเหนือจากแนวทางความน่าจะเป็นแล้ว ยัง มี แบบจำลองที่ใช้ตัวแทนซึ่งสามารถจับภาพพลวัตเชิงพื้นที่ของระบบประสาทที่กำลังตรวจสอบได้ แบบจำลองหนึ่งดังกล่าวคือหน่วยความจำเชิงเวลาแบบลำดับชั้นซึ่งเป็น กรอบงาน การเรียนรู้ของเครื่องที่จัดระเบียบปัญหาการรับรู้ภาพเป็นลำดับชั้นของโหนด (เซลล์ประสาท) ที่โต้ตอบกัน การเชื่อมต่อระหว่างโหนดในระดับเดียวกันและระดับที่ต่ำกว่าเรียกว่าไซแนปส์และการโต้ตอบของพวกมันจะนำไปสู่การเรียนรู้ ความแข็งแรงของไซแนปส์จะปรับเปลี่ยนการเรียนรู้และเปลี่ยนแปลงไปตามการยิงเชิงเวลาและเชิงพื้นที่ของโหนดเพื่อตอบสนองต่อรูปแบบอินพุต^{[ 19 ] [ 20 ]}

แม้ว่าจะเป็นไปได้ที่จะแปลงอัตราการยิงของเซลล์ประสาทจำลองเหล่านี้ให้อยู่ในกรอบความน่าจะเป็นและคณิตศาสตร์ดังที่กล่าวมาข้างต้น แต่แบบจำลองเชิงตัวแทน (agent-based models) ช่วยให้สามารถสังเกตพฤติกรรมของประชากรเซลล์ประสาทจำลองทั้งหมดได้ นักวิจัยสามารถหลีกเลี่ยงข้อจำกัดที่แฝงอยู่ในการบันทึกข้อมูลในห้องปฏิบัติการได้ เนื่องจากวิธีการนี้อาศัยการจำลองระบบชีวภาพ ข้อผิดพลาดจึงเกิดขึ้นในสมมติฐานที่นักวิจัยตั้งขึ้นและในข้อมูลที่ใช้ในการ ประมาณค่าพารามิเตอร์

ความก้าวหน้าในการทำความเข้าใจการถอดรหัสประสาทเป็นประโยชน์ต่อการพัฒนาอินเทอร์เฟซระหว่างสมองกับเครื่องจักรอุปกรณ์เทียม [ ^{21 ] และ}ความเข้าใจเกี่ยวกับความผิดปกติทางระบบประสาท เช่นโรคลมชัก [ ^{22 ] เนื่องจาก}การถอดรหัสประสาทมีความเกี่ยวข้องกับอินเทอร์เฟซระหว่างสมองกับคอมพิวเตอร์และเทคโนโลยีประสาททางคลินิกอื่นๆ มากขึ้น จึงจำเป็นต้องมีมาตรการป้องกันที่เหมาะสมสำหรับข้อมูลที่ถอดรหัสแล้วหรือข้อมูลที่ได้จากสมอง^{[ 23 ]}

• อินเทอร์เฟซระหว่างสมองกับคอมพิวเตอร์
• การอ่านสมอง
• ระเบิด
• การเข้ารหัสความสัมพันธ์
• เซลล์ของยาย
• การเข้ารหัสสไปค์อิสระ
• อาร์เรย์อิเล็กโทรดหลายตัว
• แบบจำลองเครือข่ายระบบประสาท
• การเข้ารหัสประสาท
• การซิงโครไนซ์ของระบบประสาท
• นิวโรอิเล็กโทรไดนามิกส์
• แพทช์แคลมป์
• รหัสเฟสการยิง
• การเข้ารหัสประชากร
• การกำหนดรหัสอัตรา
• การเข้ารหัสแบบเบาบาง
• การเรียนรู้เชิงลึก
• การเข้ารหัสเชิงเวลา