L'Apprendimento Auto-Supervisionato Decodifica la Percezione dai Dati Neurali Spontanei

Uno studio condotto da ricercatori di un'istituzione non nominata ha esplorato il potenziale dell'apprendimento auto-supervisionato per utilizzare l'attività neurale spontanea non etichettata al fine di migliorare la decodifica della percezione nelle neuroprotesi cliniche. Hanno pre-addestrato un autoencoder mascherato utilizzando 14,6 ore di attività multiunitaria spontanea raccolta da un array intracorticale nella corteccia visiva primaria (V1) di un partecipante cieco. Il modello ha decifrato autonomamente un'architettura cerebrale interpretabile, rivelando la disposizione spaziale di V1 e le distinzioni degli stati percettivi dalle sue rappresentazioni latenti. Le prestazioni sono state valutate tramite probing lineare (regressione logistica su latenti congelati) con risultati che mostrano un'accuratezza dell'84,1% in un compito psicometrico generale e del 64,0% in un compito impegnativo a livello di soglia. Questa ricerca indica che l'attività corticale spontanea contiene informazioni strutturate pertinenti alla percezione, risolvendo potenzialmente il problema della scarsità di dati nelle neuroprotesi. I risultati sono stati condivisi su arXiv (ID: 2607.22615).