Resumen

En la actualidad, la comunidad neurocientífica aprovecha cada vez más la continua interacción entre ingenieros y neurocientíficos computacionales para desarrollar neuroprótesis destinadas a sustituir zonas cerebrales dañadas por dispositivos artificiales. Para ello, se requiere un esfuerzo tecnológico para desarrollar modelos de redes neuronales que puedan ser alimentados con los patrones electrofisiológicos registrados para producir la estimulación cerebral correcta para recuperar las funciones deseadas. En este trabajo presentamos un enfoque de aprendizaje automático para derivar la función de entrada-salida de la vía olfativa-límbica en el cerebro completo in vitro de cobaya, menos complejo y más controlable que un sistema in vivo. En primer lugar, caracterizamos experimentalmente la vía neuronal administrando diferentes conjuntos de estímulos eléctricos desde el tracto olfativo lateral (LOT) y registrando las respuestas correspondientes en la corteza entorrinal lateral (l-ERC). Como segundo paso, utilizamos la teoría de la información para evaluar la cantidad de información que los rasgos de salida llevan sobre la entrada. Finalmente, utilizamos los datos adquiridos para aprender la "función I/O" de LOT-l-ERC, mediante el método de mínimos cuadrados regularizados del kernel, capaz de predecir las respuestas de l-ERC sobre la base de las características de estimulación de LOT. Nuestro enfoque de modelado puede ser aprovechado para aplicaciones de prótesis cerebrales.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:base de lote, características de salida de información, área cerebral dañada, estimulación cerebral correcta, características de estimulación de lote, modelo de red neuronal, tracto olfativo lateral, cerebro de guinea, aplicación de prótesis cerebral, enfoque de aprendizaje automático
• Keywords:basis of lot, information output features, damaged brain area, correct brain stimulation, lot stimulation features, neural network model, lateral olfactory tract, brain of guinea, brain prosthesis application, machine learning approach