Одной из основных проблем, с которой сталкиваются разработчики более совершенных нейронных протезов, является сенсорное кодирование - преобразование информации, полученной датчиками из окружающей среды, в нейронные сигналы, понятные нервной системе. Ограниченное количество электродов в протезе заставляет исследователей искать способы сокращения воздействия окружающей среды, сохраняя при этом качество передаваемых данных.

Деметри Псалтис из Лаборатории оптики и Кристоф Мозер из Лаборатории устройств прикладной фотоники сотрудничают с Диего Гецци из Офтальмической больницы Жюля-Гонена - Fondation Asile des Aveugles, чтобы использовать машинное обучение для решения проблемы сжатия данных изображений с несколькими измерениями, такими как цвет и контрастность, в протезах сетчатки.

Источник: EPFL CC BY SA.
Сравнение исходного изображения (слева); изображение, обработанное с использованием вычислений без обучения (в центре); и изображение, обработанное с использованием структуры актерской модели.

Новый подход, основанный на машинном обучении и названный структурой актер-модель, позволяет более эффективно сжимать изображения, сохраняя важные характеристики сенсорного восприятия. Это позволяет создавать изображения, вызывающие более естественные реакции нейронов, что делает протезы более эффективными.

Хотя исследование проводилось на моделях сетчатки мыши, результаты показали потенциал применения данного подхода для создания более эффективных нейронных протезов. Дальнейшие исследования позволят расширить применение этой технологии и определить ее применимость к человеческому организму.