Los investigadores desarrollan el nuevo sistema neuro-inspirado para descubrir configuraciones temporales

Una nueva metodología para clasificar las configuraciones temporales inspiradas por los circuitos del cerebro se ha desarrollado para ayudar a entender los mecanismos que son la base de aprendizaje biológico. Este sistema ha sido desarrollado por los investigadores de Universidad Politécnica de Madrid (UPM), entre otros.

Las personas científicas, formadas por los investigadores del centro para la tecnología biomédica (CTB) en UPM, universidad del La Laguna (ULL) e instituto para la física Cruz-Disciplinaria y el sistema complejo (IFISC, CSIC-UIB), han desarrollado un nuevo método para descubrir configuraciones temporales que se basa en un sistema neuro-inspirado y se utiliza para clasificar actividad cerebral usando magnetoencefalografía. Esta metodología, que se ha validado y se ha aplicado a los datos reales, podría verter la luz en algunos mecanismos del almacenamiento de información en el cerebro.

Los seres humanos realizan notable el pozo muchas tareas cognoscitivas incluyendo el reconocimiento de patrones aunque los mecanismos neuronales que son la base de este proceso no sean bien sabido. Sin embargo, las redes neuronales artificiales, inspiradas por los circuitos del cerebro, se han diseñado y se han utilizado para abordar tareas spatio-temporales del reconocimiento de patrones.

El trabajo de investigación realizado por los investigadores del laboratorio de la neurología cognoscitiva y de cómputo (LNCyC) en CTB, en colaboración con otras instituciones, es una estructura de la detección de la configuración capaz de fijar las series temporales paralelas y, los gracias al mecanismo de la plasticidad sináptica adicional al modelo, puede también aprender las características distintivas de diverso tipo de señal del interés.

La estructura neuro-inspirada desarrollada por el grupo se nombra el detector neuronal multi de la pico-serie (MNSD). El detector se puede entrenar en línea usando nuevos ejemplos. Después de aprender de algunos ejemplos, MNSD puede aprender las series temporales que pertenecen a un grupo específico y distinguir series doctas de otras.

Fuente: http://www.upm.es/internacional/UPM/UPM_Channel/Research_News?id=1090aaaff6f09610VgnVCM10000009c7648a____&fmt=detail&prefmt=articulo