Información

¿Por qué es difícil simular una neurona?

¿Por qué es difícil simular una neurona?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Leí un artículo del NY Times sobre el esfuerzo europeo para simular un cerebro humano y las críticas sobre la (no) viabilidad de tal esfuerzo (sin mencionar los costos astronómicos).

En este artículo, se menciona la incapacidad actual para simular las 302 neuronas en un cerebro de nematodos, por lo que mi pregunta (del profano) es simple:

¿Por qué es tan difícil simular una neurona?


Complejidad. Es decir, las leyes fundamentales que gobiernan el comportamiento no son terriblemente difíciles de comprender o modelar. Sin embargo, ponerlo todo junto y esperar que reproduzca el comportamiento correcto es un gran desafío.

Una vez que desarrolle un modelo que tiene los mecanismos subyacentes apropiados en sus componentes, todavía tiene que juntarlos todos y elegir los parámetros correctos y esperar que no se pierda nada en términos de moduladores que ajustarían activamente esos parámetros. Entonces, incluso si la forma matemática funcional de su modelo es correcta, todavía tiene de 5 a 10 parámetros para cada neurona en la red que debe obtener el valor correcto, incluidos los parámetros que describen la fuerza y ​​la dinámica del acoplamiento entre neuronas. El simple hecho de estar desfasado con valores tan pequeños como .001 a veces puede significar la diferencia entre un modelo que funciona y un modelo que falla. Ahora tiene de 5 a 10 parámetros para 300 neuronas ... son 1500-3000 parámetros que deben ser "correctos" al mismo tiempo.

Dicho esto, no es que seamos extremadamente precisos en nuestros modelos, incluso de neuronas individuales. Hacemos simplificaciones y tomamos promedios. Hay muchos segundos mensajeros y procesos genéticos involucrados en la función neuronal que muchos modelos descuidan. Esto no tiene la intención de menospreciar el modelado. Implica que ningún modelo matemático complejo probablemente podrá alguna vez generalizar la neurona para todos los casos. En cambio, hacemos modelos enfocados en hacer preguntas específicas. Investigamos dos o tres mecanismos a la vez y mantenemos constantes todas las demás consideraciones para aislar los mecanismos que nos interesan. Así que un modelo que desarrolle para estudiar los efectos de la diversidad de los canales de calcio en la excitabilidad de las neuronas tendrá muchas diferencias (en la selección de parámetros) del mismo modelo utilizado por alguien que estudia la diversidad de canales de potasio. Y en algunos casos, incluso podemos simplificar aspectos menos relevantes del modelo, por ejemplo, puede que solo tenga un canal de potasio en mi neurona para generalizar y promediar todos los canales de potasio para poder concentrarme solo en la diversidad de calcio y no preocuparme por más parámetros. .


No lo creo es difícil de simular una neurona. Ver NEURON.

Simulando un cerebro sin embargo, es una tarea mucho más difícil (e inconclusa), incluso si el cerebro solo consta de 302 neuronas.


¿Qué es la enfermedad de las neuronas motoras?

Las enfermedades de las neuronas motoras son un grupo de afecciones que hacen que los nervios de la columna y el cerebro pierdan su función con el tiempo. Son una forma rara pero grave de enfermedad neurodegenerativa.

Las neuronas motoras son células nerviosas que envían señales de salida eléctrica a los músculos, lo que afecta la capacidad de funcionamiento de los músculos.

La enfermedad de la neurona motora (EMN) puede aparecer a cualquier edad, pero los síntomas suelen aparecer después de los 40 años. Afecta más a hombres que a mujeres.

El tipo más común de EMN, la esclerosis lateral amiotrófica (ELA), probablemente afecta hasta a 30.000 estadounidenses en un momento dado, con más de 5.600 diagnósticos cada año, según la Asociación de ELA.

El renombrado físico inglés Stephen Hawking vivió con ELA durante muchas décadas hasta su muerte en marzo de 2018. El virtuoso de la guitarra Jason Becker es otro ejemplo de alguien que ha estado viviendo con ELA durante varios años.

Compartir en Pinterest Stephen Hawking fue una de las personas más conocidas con MND.
Crédito de la imagen: Doug Wheller, 2008

Hay varios tipos de MND. Los médicos los clasifican según sean hereditarios o no y a qué neuronas afectan.

ELA o enfermedad de Lou Gehrig, es el tipo más común y afecta tanto a las neuronas motoras superiores como a las inferiores (neuronas del cerebro y la médula espinal). Afecta los músculos de los brazos, las piernas, la boca y el sistema respiratorio. Una persona con ELA vivirá, en promedio, otros 3 a 5 años, pero, con cuidados de apoyo, algunas personas viven 10 años o más.

Esclerosis lateral primaria afecta las neuronas del cerebro. Es una forma rara de MND que avanza más lentamente que la ELA. No es fatal, pero puede afectar la calidad de vida de una persona. La esclerosis lateral primaria juvenil puede afectar a los niños.

Parálisis bulbar progresiva (PBP) involucra el tronco encefálico. Las personas con ELA a menudo también tienen PBP. La afección causa frecuentes episodios de asfixia, dificultad para hablar, comer y tragar.

Atrofia muscular progresiva (PMA) es una afección poco común que afecta a las neuronas motoras inferiores de la médula espinal. Provoca un desgaste muscular lento pero progresivo, especialmente en los brazos, las piernas y la boca.

Atrofia muscular espinal (SMA) es una MND hereditaria que afecta a los niños. Hay tres tipos, todos causados ​​por un cambio genético conocido como SMA1. Tiende a afectar el tronco, piernas y brazos. La perspectiva a largo plazo depende del tipo.

Los diferentes tipos de MND comparten síntomas similares, pero progresan a diferentes velocidades y varían en gravedad.

La MND tiene tres etapas: temprana, media y avanzada.

Signos y síntomas de la etapa temprana

En la etapa inicial, los síntomas se desarrollan lentamente y pueden parecerse a los de otras afecciones. Los síntomas dependerán del tipo de MND que tenga una persona y a qué parte del cuerpo afecte.

Los síntomas típicos comienzan en una de las siguientes áreas:

  • un agarre debilitado, lo que dificulta levantar y sostener cosas
  • dolores musculares, calambres y espasmos
  • habla arrastrada
  • debilidad en brazos y piernas
  • torpeza y tropiezo
  • dificultad para tragar
  • dificultad para respirar o falta de aire
  • respuestas emocionales inapropiadas, como reír o llorar
  • Pérdida de peso, ya que los músculos pierden masa.

Signos y síntomas de la etapa media

A medida que avanza la afección, los primeros síntomas permanecen y se vuelven más graves.

Las personas también pueden experimentar:

  • encogimiento muscular
  • dificultad para moverse
  • dolor en las articulaciones
  • babeo debido a problemas para tragar
  • bostezos incontrolables, que pueden provocar dolor de mandíbula
  • cambios en la personalidad y el estado emocional
  • respiración dificultosa

Los estudios sugieren que hasta el 50% de las personas con ELA pueden experimentar afectación cerebral, incluidos problemas de memoria y lenguaje. Alrededor del 12 al 15% de las personas con ELA pueden desarrollar demencia.

Algunas personas también desarrollan insomnio, ansiedad y depresión.

Signos y síntomas de la etapa avanzada

Con el tiempo, una persona en la etapa avanzada de ELA necesitará ayuda para moverse, comer o respirar, y la afección puede poner en peligro su vida.


Los astrocitos son células en forma de estrella que proporcionan apoyo físico y nutricional a las neuronas. También guían a las neuronas migratorias a su destino adulto durante la etapa de desarrollo del sistema nervioso central.

Estas células también brindan servicios como la fagocitosis (eliminación celular & # x201Ctrash & # x201D) y la regulación del líquido extracelular, además de proporcionar una fuente de carbono a partir del lactato (a través del metabolismo de la glucosa) para las neuronas.

Las células microgliales, como su nombre indica, son pequeñas. De hecho, son las células gliales más pequeñas del sistema nervioso y actúan como células inmunitarias, destruyendo microorganismos y fagocitan los restos celulares o & # x201Ctrash. & # X201D

El sistema nervioso central y la médula espinal están revestidos de células ciliadas llamadas células ependimarias. Las células ependimarias del cerebro secretan específicamente líquido cefalorraquídeo (LCR) al sistema ventricular. El latido de sus cilios hace circular eficientemente el LCR por todo el sistema nervioso central.

Este contenido es exacto y verdadero según el mejor conocimiento del autor y no sustituye el diagnóstico, pronóstico, tratamiento, prescripción y / o asesoramiento dietético de un profesional de la salud con licencia. Los medicamentos, suplementos y remedios naturales pueden tener efectos secundarios peligrosos. Si está embarazada o amamantando, consulte con un proveedor calificado de forma individual. Busque ayuda inmediata si tiene una emergencia médica.

& # xA9 2013 Melissa Flagg COA OSC


La UAT es una aproximación teorema

De hecho, para cualquier opción de activación no lineal $ g $, puedo encontrar un $ x $ para el que el error es positivo. Entonces, la pregunta interesante es & quot ¿Podemos ajustar un modelo de modo que el error sea como máximo $ epsilon $ por $ x $ en algún intervalo $ mathcal$? ”Y esta afirmación del problema es más o menos compatible con las advertencias de la UAT. También nos apunta en una dirección más rentable: en lugar de buscar 0 error, deseamos encontrar mínimo error cuando las entradas están en algún intervalo.

En otras palabras, los teoremas sobre redes neuronales no garantizan que pueda lograr un error 0, garantizan que puede limitar el error para las entradas en algún intervalo (sujeto a algunos términos y condiciones).


¿Por qué es difícil simular una neurona? - psicología

Existe mucho interés en la afirmación de que la disfunción del sistema de neuronas espejo en individuos con una condición del espectro autista causa dificultades en la interacción social y la comunicación. Este artículo revisa sistemáticamente todos los estudios publicados que utilizan métodos de neurociencia (EEG / MEG / TMS / eyetracking / EMG / fMRI) para examinar la integridad del sistema espejo en el autismo. Se revisan 25 artículos adecuados. La revisión muestra que los datos actuales son muy variados y que los estudios que utilizan medidas poco localizadas de la integridad del sistema espejo son difíciles de interpretar. La única medida bien localizada de la función del sistema de espejos es la fMRI. En los estudios de resonancia magnética funcional, aquellos que utilizan estímulos emocionales han informado diferencias de grupo, pero los estudios que utilizan estímulos de acción manual no emocionales no lo hacen. En general, hay poca evidencia de una disfunción global del sistema de espejo en el autismo. Los datos actuales pueden entenderse mejor bajo un modelo alternativo en el que la modulación de la respuesta social de arriba hacia abajo es anormal en el autismo. Se discuten las implicaciones de este modelo y las futuras direcciones de investigación.

Reflejos

* Una revisión sistemática de estudios neurocientíficos de los sistemas de neuronas espejo en el autismo. * Los datos se mezclan sin evidencia general de respuestas espejo anormales. * Es hora de dejar atrás la teoría del autismo del espejo roto. * La modulación social de arriba hacia abajo de los sistemas de espejos es un factor crítico en el autismo.


¡Quejarse es malo para tu cerebro!

Tómate un momento para pensar de cuántas cosas te quejas por día: el clima, el tráfico, tus amigos, tu familia, tu jefe, el servicio horrible en un restaurante, lo lento que es tu Internet, y la lista continúa.

Quejarse de estas insatisfacciones con regularidad puede hacer que se sienta desamparado, desesperado y victimizado. Con el tiempo, la acumulación de estas insatisfacciones y sentimientos de impotencia puede tener un impacto negativo en su estado de ánimo, autoestima y salud mental en general.

Quejarse demasiado puede generar energía negativa, lo que dificulta la creación de un resultado positivo. En julio de 2006, el reverendo Will Bowen tuvo la visión de que las personas se concentraran y hablaran de las cosas que desean, en lugar de quejarse de cómo son las cosas. Bowen comenzó a enseñar una serie sobre prosperidad que incluía la exploración de formar el hábito de la gratitud. Bowen compró brazaletes de color púrpura y pidió a la congregación que se los pusiera en un brazo. Cuando se sorprendieron quejándose, pasaron el brazalete al otro brazo. Esto se repitió hasta que pudieron pasar 21 días sin quejarse. La idea de Bowen de un & # 8220 mundo libre de quejas & # 8221 es ahora conocida en todo el mundo con casi 10 millones de brazaletes púrpuras enviados a personas en más de 106 países.

¿Por qué es malo para usted quejarse?

El problema con muchas quejas hoy en día es que pueden convertirse en una forma de desahogarse, en lugar de una forma de resolver problemas. Cuando te concentras en una queja, estás potenciando la negatividad y permitiendo que se expanda y asuma el control. Por lo tanto, en lugar de resolver problemas y generar cambios, las quejas pueden volverse ineficaces y crear un estrés innecesario.

El estrés causado por las quejas puede tener un impacto negativo y duradero en el cerebro. Los estudios han demostrado que incluso unos pocos días de estrés dañan las neuronas del hipocampo (la parte del cerebro que se utiliza para la resolución de problemas y el funcionamiento cognitivo) y deteriora su capacidad para crear nuevas neuronas.

Con el tiempo, esto puede provocar que el hipocampo se encoja, lo que puede provocar una disminución de las funciones cognitivas como la memoria y la capacidad de adaptarse a nuevas situaciones. Un estudio de Hampel y sus colegas (2008) también encontró que el hipocampo es una de las primeras regiones del cerebro en sufrir daños en las personas con enfermedad de Alzheimer.

El hipocampo de su cerebro se ve afectado por sus propias quejas, pero ¿cómo se ve afectado al escuchar las quejas de los demás?

Quejarse se puede comparar con fumar, porque no es necesario que sea usted quien se queje para que afecte su salud. Escuchar a otras personas que se quejan puede tener el mismo impacto negativo en el cerebro que cuando eres tú quien se queja. La investigación realizada por el profesor Sapolsky en la escuela de medicina de Stanford encontró que la exposición a solo 30 minutos de quejas y negatividad (incluido ver esto en la televisión) por día puede dañar físicamente su cerebro. El estudio de Sapolsky también reveló que la exposición a las quejas y la negatividad hace que su cerebro tenga la misma reacción emocional que experimenta cuando está estresado.

Cómo reducir las quejas

¿Qué puede hacer para reducir las quejas y la negatividad en su vida?

Si encuentra que sus quejas crónicas están empezando a afectar su salud mental, aquí hay algunos consejos útiles:

  • Reconoce las cosas negativas que te suceden y cómo te afectan. Reconozca su frustración o enojo por la situación o la persona o lo que sea que provocó su queja.
  • Cambie su visión del problema. Las situaciones problemáticas y las personas pueden brindarle la oportunidad de aprender y crecer.
  • Centrarse en las soluciones. Si se concentra en lo que está mal, podría obstaculizar su crecimiento y evitar que las soluciones lleguen a usted. Haz algo que ayude a tu cerebro a entrar en un modo creativo de resolución de problemas.
  • Aléjate. Ve y haz algo para no pensar en la queja, ponte los zapatos para correr y sal a correr o escucha música.
  • Lleva un diario de gratitud. Puede enumerar o escribir sobre las cosas por las que está agradecido cada día. Centrarse en aquello por lo que está agradecido puede ayudarlo a dejar de pensar en sus quejas. La gratitud también puede revitalizar tu cerebro al revertir la negatividad de las quejas.
  • Compra o haz una pulsera. Usando la idea de Bowen de las pulseras del mundo libre de quejas, coloque una pulsera en una muñeca y cada vez que se queje, cámbiela por la otra muñeca. Siga haciendo esto hasta que llegue a 21 días consecutivos sin quejarse.
  • Las quejas y la negatividad proveniente de quienes te rodean pueden ser un desafío para lidiar con ellas, pero al igual que nuestras propias quejas, hay formas de manejarlas:
    • Reconozca y valide los sentimientos del quejoso. Exprese simpatía y comprensión y luego redirija el enfoque hacia otra cosa.
    • No intente convencer a los quejosos crónicos de que las cosas & # 8220no están tan mal & # 8221. Esa es su señal para sacar a relucir más insatisfacciones.
    • Evite estar de acuerdo sin pensar con el quejoso. Si bien puede ser una de las formas más rápidas de hacer que se detengan, es posible que ahora lo vean como un aliado y continúen quejándose con usted en el futuro.
    • Establecer límites. Hágale saber cortés y sinceramente al quejoso que le gusta y que quiere apoyarlo, pero que ya no puede escuchar lo mal que le van las cosas. Recuerde, usted no es responsable de la felicidad y el bienestar de los demás. Si respetan su solicitud, pueden cambiar la conversación a algo que no sea negativo o una queja.
    • Evite los quejosos crónicos. Si ha agotado todas las demás opciones y el quejoso todavía tiene un impacto negativo en su día, intente evitar conversar con él.

    Si te quejas constantemente o te preocupas por los aspectos negativos de la vida, en lugar de quejarte, ¿por qué no elegir pensamientos y palabras que te lleven a una solución? En lugar de perder su tiempo y energía quejándose, use su energía para buscar la felicidad. Para obtener más información sobre cómo reducir las quejas y la negatividad en su vida, llame a M1 Psychology al (07) 3067 9129 para reservar una cita con un terapeuta tratante calificado.


    Los astrocitos son células en forma de estrella que proporcionan apoyo nutricional y físico a las neuronas. También guían a las neuronas migratorias a su destino adulto durante la etapa de desarrollo del sistema nervioso central.

    Estas células también brindan servicios como la fagocitosis (eliminación celular & # x201Ctrash & # x201D) y la regulación del líquido extracelular, además de proporcionar una fuente de carbono a partir del lactato (a través del metabolismo de la glucosa) para las neuronas.

    Las células microgliales, como sugiere su nombre, son pequeñas. De hecho, son las células gliales más pequeñas del sistema nervioso y actúan como células inmunitarias, destruyendo microorganismos y fagocitan los restos celulares o & # x201Ctrash. & # X201D

    El sistema nervioso central y la médula espinal están revestidos de células ciliadas llamadas células ependimarias. Las células ependimarias del cerebro secretan específicamente líquido cefalorraquídeo (LCR) al sistema ventricular. El latido de sus cilios hace circular eficientemente el LCR por todo el sistema nervioso central.

    Este contenido es exacto y verdadero según el mejor conocimiento del autor y no sustituye el diagnóstico, pronóstico, tratamiento, prescripción y / o asesoramiento dietético de un profesional de la salud autorizado. Los medicamentos, suplementos y remedios naturales pueden tener efectos secundarios peligrosos. Si está embarazada o amamantando, consulte con un proveedor calificado de forma individual. Busque ayuda inmediata si tiene una emergencia médica.

    & # xA9 2013 Melissa Flagg COA OSC


    ¡Quejarse es malo para tu cerebro!

    Tómate un momento para pensar en cuántas cosas te quejas por día: el clima, el tráfico, tus amigos, tu familia, tu jefe, el servicio horrible en un restaurante, lo lento que es tu Internet, y la lista continúa.

    Quejarse de estas insatisfacciones con regularidad puede hacer que se sienta desamparado, desesperado y victimizado. Con el tiempo, la acumulación de estas insatisfacciones y sentimientos de impotencia puede tener un impacto negativo en su estado de ánimo, autoestima y salud mental en general.

    Quejarse demasiado puede generar energía negativa, lo que dificulta la creación de un resultado positivo. En julio de 2006, el reverendo Will Bowen tuvo la visión de que las personas se concentraran y hablaran de las cosas que desean, en lugar de quejarse de cómo son las cosas.Bowen comenzó a enseñar una serie sobre prosperidad que incluía la exploración de formar el hábito de la gratitud. Bowen compró brazaletes de color púrpura y pidió a la congregación que se los pusiera en un brazo. Cuando se sorprendieron quejándose, pasaron el brazalete al otro brazo. Esto se repitió hasta que pudieron pasar 21 días sin quejarse. La idea de Bowen de un & # 8220 mundo libre de quejas & # 8221 es ahora conocida en todo el mundo con casi 10 millones de brazaletes púrpuras enviados a personas en más de 106 países.

    ¿Por qué es malo para usted quejarse?

    El problema con muchas quejas hoy en día es que pueden convertirse en una forma de desahogarse, en lugar de una forma de resolver problemas. Cuando te concentras en una queja, estás potenciando la negatividad y permitiendo que se expanda y asuma el control. Por lo tanto, en lugar de resolver problemas y generar cambios, las quejas pueden volverse ineficaces y crear un estrés innecesario.

    El estrés causado por las quejas puede tener un impacto negativo y duradero en el cerebro. Los estudios han demostrado que incluso unos pocos días de estrés dañan las neuronas del hipocampo (la parte del cerebro que se utiliza para la resolución de problemas y el funcionamiento cognitivo) y deteriora su capacidad para crear nuevas neuronas.

    Con el tiempo, esto puede provocar que el hipocampo se encoja, lo que puede provocar una disminución de las funciones cognitivas como la memoria y la capacidad de adaptarse a nuevas situaciones. Un estudio de Hampel y sus colegas (2008) también encontró que el hipocampo es una de las primeras regiones del cerebro en sufrir daños en las personas con enfermedad de Alzheimer.

    El hipocampo de su cerebro se ve afectado por sus propias quejas, pero ¿cómo se ve afectado al escuchar las quejas de los demás?

    Quejarse se puede comparar con fumar, porque no es necesario que sea usted quien se queje para que afecte su salud. Escuchar a otras personas que se quejan puede tener el mismo impacto negativo en el cerebro que cuando eres tú quien se queja. La investigación realizada por el profesor Sapolsky en la escuela de medicina de Stanford encontró que la exposición a solo 30 minutos de quejas y negatividad (incluido ver esto en la televisión) por día puede dañar físicamente su cerebro. El estudio de Sapolsky también reveló que la exposición a las quejas y la negatividad hace que su cerebro tenga la misma reacción emocional que experimenta cuando está estresado.

    Cómo reducir las quejas

    ¿Qué puede hacer para reducir las quejas y la negatividad en su vida?

    Si encuentra que sus quejas crónicas están empezando a afectar su salud mental, aquí hay algunos consejos útiles:

    • Reconoce las cosas negativas que te suceden y cómo te afectan. Reconozca su frustración o enojo por la situación o la persona o lo que sea que provocó su queja.
    • Cambie su visión del problema. Las situaciones problemáticas y las personas pueden brindarle la oportunidad de aprender y crecer.
    • Centrarse en las soluciones. Si se concentra en lo que está mal, podría obstaculizar su crecimiento y evitar que las soluciones lleguen a usted. Haz algo que ayude a tu cerebro a entrar en un modo creativo de resolución de problemas.
    • Aléjate. Ve y haz algo para no pensar en la queja, ponte los zapatos para correr y sal a correr o escucha música.
    • Lleva un diario de gratitud. Puede enumerar o escribir sobre las cosas por las que está agradecido cada día. Centrarse en aquello por lo que está agradecido puede ayudarlo a dejar de pensar en sus quejas. La gratitud también puede revitalizar tu cerebro al revertir la negatividad de las quejas.
    • Compra o haz una pulsera. Usando la idea de Bowen de las pulseras del mundo libre de quejas, coloque una pulsera en una muñeca y cada vez que se queje, cámbiela por la otra muñeca. Siga haciendo esto hasta que llegue a 21 días consecutivos sin quejarse.
    • Las quejas y la negatividad proveniente de quienes te rodean pueden ser un desafío para lidiar con ellas, pero al igual que nuestras propias quejas, hay formas de manejarlas:
      • Reconozca y valide los sentimientos del quejoso. Exprese simpatía y comprensión y luego redirija el enfoque hacia otra cosa.
      • No intente convencer a los quejosos crónicos de que las cosas & # 8220no están tan mal & # 8221. Esa es su señal para sacar a relucir más insatisfacciones.
      • Evite estar de acuerdo sin pensar con el quejoso. Si bien puede ser una de las formas más rápidas de hacer que se detengan, es posible que ahora lo vean como un aliado y continúen quejándose con usted en el futuro.
      • Establecer límites. Hágale saber cortés y sinceramente al quejoso que le gusta y que quiere apoyarlo, pero que ya no puede escuchar lo mal que le van las cosas. Recuerde, usted no es responsable de la felicidad y el bienestar de los demás. Si respetan su solicitud, pueden cambiar la conversación a algo que no sea negativo o una queja.
      • Evite los quejosos crónicos. Si ha agotado todas las demás opciones y el quejoso todavía tiene un impacto negativo en su día, intente evitar conversar con él.

      Si te quejas constantemente o te preocupas por los aspectos negativos de la vida, en lugar de quejarte, ¿por qué no elegir pensamientos y palabras que te lleven a una solución? En lugar de perder su tiempo y energía quejándose, use su energía para buscar la felicidad. Para obtener más información sobre cómo reducir las quejas y la negatividad en su vida, llame a M1 Psychology al (07) 3067 9129 para reservar una cita con un terapeuta tratante calificado.


      La revolución de la neurona espejo: explicando qué hace que los humanos sean sociales

      El neurocientífico Marco Iacoboni analiza las neuronas espejo, el autismo y los efectos potencialmente dañinos de las películas violentas.

      Marco Iacoboni, neurocientífico de la Universidad de California en Los Ángeles, es mejor conocido por su trabajo sobre las neuronas espejo, un pequeño circuito de células en la corteza premotora y la corteza parietal inferior. Lo que hace que estas células sean tan interesantes es que se activan tanto cuando realizamos una determinada acción como, por ejemplo, sonreír o alcanzar una taza y la mano cuando observamos a otra persona realizar la misma acción. En otras palabras, colapsan la distinción entre ver y hacer. En los últimos años, Iacoboni ha demostrado que las neuronas espejo pueden ser un elemento importante de la cognición social y que los defectos en el sistema de las neuronas espejo pueden ser la base de una variedad de trastornos mentales, como el autismo. Su nuevo libro, Reflejar a las personas: la ciencia de cómo nos conectamos con los demás, explora estas posibilidades en profundidad. El editor de Mind Matters, Jonah Lehrer, conversa con Iacoboni sobre su investigación.

      LEHRER: ¿Qué fue lo primero que hizo que se interesara por las neuronas espejo? ¿Entendiste de inmediato su potencial explicativo?

      IACOBONI: De hecho, me interesé gradualmente por las neuronas espejo. [El neurocientífico] Giacomo Rizzolatti y su grupo [en la Universidad de Parma en Italia] se acercaron a nosotros en el Centro de Mapeo Cerebral de UCLA porque querían expandir la investigación sobre las neuronas espejo usando imágenes cerebrales en humanos. Pensé que las neuronas espejo eran interesantes, pero debo confesar que también fui un poco incrédulo. Estábamos en los inicios de la ciencia sobre las neuronas espejo. Las propiedades de estas neuronas son tan sorprendentes que consideré seriamente la posibilidad de que fueran artefactos experimentales. En 1998 visité el laboratorio de Rizzolatti & rsquos en Parma, observé sus experimentos y hallazgos, hablé con los anatomistas que estaban estudiando la anatomía del sistema y me di cuenta de que los hallazgos empíricos eran realmente sólidos. En ese momento tuve la intuición de que el descubrimiento de las neuronas espejo iba a revolucionar la forma en que pensamos sobre el cerebro y sobre nosotros mismos. Sin embargo, me tomó algunos años de experimentación comprender completamente el potencial explicativo de las neuronas espejo en la imitación, la empatía, el lenguaje, etc., en otras palabras, en nuestra vida social.

      LEHRER: Llévanos dentro de una interacción social. ¿Cómo podrían ayudarnos las neuronas espejo a comprender lo que otra persona está pensando o sintiendo?

      IACOBONI: ¿Qué hacemos cuando interactuamos? Usamos nuestro cuerpo para comunicar nuestras intenciones y nuestros sentimientos. Los gestos, expresiones faciales, posturas corporales que hacemos son señales sociales, formas de comunicarnos entre nosotros. Las neuronas espejo son las únicas células cerebrales que conocemos que parecen especializadas para codificar las acciones de otras personas y también nuestras propias acciones. Obviamente, son células cerebrales esenciales para las interacciones sociales. Sin ellos, probablemente estaríamos ciegos a las acciones, intenciones y emociones de otras personas. La forma en que las neuronas espejo probablemente nos permitan entender a los demás es proporcionando algún tipo de imitación interna de las acciones de otras personas, lo que a su vez nos lleva a "quosimular" las intenciones y emociones asociadas con esas acciones. Cuando te veo sonreír, mis neuronas espejo para sonreír también se activan, iniciando una cascada de actividad neuronal que evoca el sentimiento que normalmente asociamos con una sonrisa. No necesito hacer ninguna inferencia sobre lo que estás sintiendo, experimento de forma inmediata y sin esfuerzo (en una forma más suave, por supuesto) lo que estás experimentando.

      LEHRER: En 2006, su laboratorio publicó un artículo en Neurociencia de la naturaleza vinculando una disfunción de la neurona espejo con el autismo. ¿Cómo podría la actividad reducida de las neuronas espejo explicar los síntomas del autismo? ¿Y ha habido algún progreso en este frente desde 2006?

      IACOBONI: Los pacientes con autismo tienen dificultades para comprender los estados mentales de otras personas, por eso las interacciones sociales no son fáciles para estos pacientes. La actividad reducida de las neuronas espejo obviamente debilita la capacidad de estos pacientes para experimentar de forma inmediata y sin esfuerzo lo que otras personas están experimentando, lo que hace que las interacciones sociales sean particularmente difíciles para estos pacientes. Los pacientes con autismo también suelen tener problemas motores y del lenguaje. Resulta que, en principio, un déficit de neuronas espejo puede explicar también estos otros síntomas importantes. Los déficits motores en el autismo se pueden explicar fácilmente porque las neuronas espejo son solo tipos especiales de neuronas premotoras, células cerebrales esenciales para planificar y seleccionar acciones. También se ha planteado la hipótesis de que las neuronas espejo pueden ser importantes en la evolución y la adquisición del lenguaje. De hecho, un área del cerebro humano que probablemente contiene neuronas espejo se superpone con un área principal del lenguaje, la llamada área de Broca & rsquos. Por lo tanto, un déficit de neuronas espejo puede, en principio, explicar tres síntomas principales del autismo: los problemas sociales, motores y del lenguaje.

      LEHRER: Si estamos programados para internalizar automáticamente los movimientos y estados mentales de los demás, ¿qué sugiere esto sobre las películas violentas, los programas de televisión, los videojuegos, etcétera? ¿Deberíamos tener más cuidado con lo que vemos?

      IACOBONI: Creo que deberíamos tener más cuidado con lo que vemos. Este es un argumento engañoso, por supuesto, porque nos obliga a reconsiderar nuestras preciadas ideas sobre el libre albedrío y podría tener repercusiones en la libertad de expresión. Existe evidencia de comportamiento convincente que vincula la violencia de los medios con la violencia imitativa. Las neuronas espejo proporcionan un mecanismo neurobiológico plausible que explica por qué estar expuesto a la violencia de los medios conduce a la violencia imitativa. ¿Qué debemos hacer al respecto? Aunque obviamente es difícil tener una respuesta clara y definitiva, es importante discutir abiertamente este tema y, con suerte, llegar a algún tipo de "acuerdo social" sobre cómo limitar la violencia en los medios sin limitar (demasiado) la libertad de expresión.

      LEHRER: ¿Le preocupa que las neuronas espejo se sobrevendan o se exageren?

      IACOBONI: Eso me preocupa un poco. La buena noticia es que el entusiasmo por las neuronas espejo revela que las personas tienen una comprensión intuitiva de cómo funciona el mecanismo neuronal para la creación de reflejos. Cuando se les informa acerca de esta investigación, finalmente pueden articular lo que ya “sabían nuevo” en algún tipo de nivel pre-reflexivo. Sin embargo, la exageración puede ser contraproducente y las neuronas espejo pueden perder su especificidad. Creo que hay dos puntos clave a tener en cuenta. La primera es con la que comenzamos: las neuronas espejo son células cerebrales especializadas para acciones. Obviamente, son células críticas para las interacciones sociales, pero no pueden explicar la cognición no social. El segundo punto a tener en cuenta es que todas las células cerebrales y todos los sistemas neuronales no funcionan en el vacío. Todo en el cerebro está interconectado, de modo que la actividad de cada célula refleja las interacciones dinámicas con otras células cerebrales y otros sistemas neuronales.

      Mind Matters está editado por Jonah Lehrer, el escritor científico detrás del blog The Frontal Cortex y del libro Proust was a Neuroscientist.


      ¿Por qué es difícil simular una neurona? - psicología

      Video vs texto: la perspectiva del cerebro Por Liraz Margalit, Ph.D.

      Ver un video y leer un artículo activan funciones cognitivas separadas

      Dicen que el video mató a la estrella de la radio. La pregunta es: ¿También mató a la estrella de la impresión? ¿Y qué significa la respuesta para el marketing de contenidos online?

      Ya sea en YouTube, Vine o contenido integrado, el video se ha convertido rápidamente en una de las formas más impactantes de hablar con una audiencia. Según un estudio reciente de Usurv, si desea que los visitantes de su sitio compartan e interactúen con su contenido, la mejor manera de hacerlo es enviarlo por video. Los consumidores tienen un 39 por ciento más de probabilidades de compartir contenido si se entrega a través de video, y un 36 por ciento más de probabilidades de comentar y un 56 por ciento más de probabilidades de darle a ese video un codiciado "me gusta".

      Pero aún no es el momento de enterrar la impresión. Ver un video y leer un artículo impreso requieren funciones cognitivas completamente separadas, y para las empresas, es importante comprender las diferencias antes de tomar la decisión de utilizar un videoclip en lugar de contenido impreso.

      Los números no mienten
      A los usuarios de Internet les encantan los videos. El consumidor promedio con una conexión a Internet mira aproximadamente 206 videos por mes, y Nielsen afirma que el 64 por ciento de los especialistas en marketing espera que el video domine sus estrategias en el futuro cercano. Echando un vistazo a los números, parece obvio decir que el contenido de video es más atractivo que el texto. Pero aprovechando un poco de psicología básica, podemos desglosar aún más estos hallazgos y también describir las condiciones que llevarán a los visitantes a preferir el texto.

      Diferentes tipos de tareas cognitivas.
      El cerebro procesa los videos 60.000 veces más rápido que el texto. ¡Piense en el trabajo pesado que tiene que hacer su sistema cognitivo cuando lee un artículo en lugar de mirar un videoclip! Los seres humanos están programados para evitar una tensión cognitiva exigente, por lo que esta tendencia hacia la “pereza”, la mayoría de las veces, nos invitará a elegir información que sea fácil de procesar en lugar de la forma que nos hace esforzarnos mucho.

      Leer artículos y ver videos también requiere dos procesos cerebrales diferentes. Cuando leemos, el proceso requiere que participemos activamente. El cerebro se ejercita mucho mejor cuando lee que cuando mira, y el proceso requiere una mayor capacidad de atención y esfuerzos cognitivos más profundos.

      La lectura está activa. Cuando leemos un artículo, no solo miramos las palabras frente a nosotros y # 8212 creamos pensamientos sobre ese contenido, activando nuestras estructuras mentales. La lectura requiere la producción de una "voz interior", que marca nuestra capacidad de atención. Eso significa que la lectura cuidadosa no es un proceso automático, sino que ocurre cuando procesamos activamente lo que estamos leyendo.

      Sin embargo, ver un video es pasivo. Es un proceso mucho menos exigente y más automático, que requiere mucha menos energía y esfuerzo por parte de la persona que mira.

      Si quieres que se enamoren, envíales un video
      Los videos también son mucho mejores en la seducción.

      Cuando leemos algo, participamos activamente en el procesamiento de la información que tenemos ante nosotros. Nuestros procesadores cognitivos están trabajando duro. Pero mientras que leer se trata de pensar, el video es mejor para hacernos sentir.

      Cuando miramos un video, nos sumergimos en él y creamos una conexión empática con la pantalla. Si desea que sus visitantes se enamoren de su contenido, tiene sentido enviarlo por video. Esto se debe a que es mucho más fácil para nosotros apegarnos emocionalmente a algo que vemos en un video que a algo que leemos en un artículo.

      Las emociones están mediadas por reacciones fisiológicas (motor-sensoriales) automáticas, que pueden explicarse a través de un proceso llamado mecanismo de neurona espejo. Una neurona espejo es una neurona que se activa no solo cuando nosotros mismos realizamos una acción, sino también cuando observamos a otra persona realizar la misma acción. Nuestros cerebros reflejan lo que se está desarrollando ante nosotros como si fuéramos parte de la escena, incluso si solo estamos sentados pasivamente al margen.

      Entonces, cuando se trata de neuronas espejo, no hay diferencia entre el cine y la vida real. Esto sugiere que en realidad podríamos estar experimentando (de manera pequeña pero significativa) el dolor (y supuestamente también los placeres) de aquellos que presenciamos en la pantalla. Esta actividad neurológica hace que el espectador se involucre mucho más emocionalmente.

      Por qué el video no siempre es la mejor estrategia
      Pero a pesar de todas las ventajas del video, los visitantes no siempre lo prefieren. Hay una serie de factores en juego cuando se trata de cómo los consumidores eligen recibir su contenido, y estos influyen inconscientemente en el proceso de toma de decisiones del visitante a lo largo de toda su interacción con el sitio web.

      En ClickTale, queríamos saber más sobre cómo y por qué los visitantes eligen recibir su contenido, por lo que realizamos un análisis en uno de los sitios web de noticias más populares del mundo. Nuestro análisis reveló que los visitantes están fuertemente influenciados por hábitos anteriores y # 8212 si eligen texto en lugar de video una vez, es significativamente más probable que continúen haciéndolo nuevamente. Se observó exactamente la misma tendencia para aquellos que optaron por el video. Y más aún, los visitantes rara vez optaron por elegir contenido a través de dos medios diferentes, por lo que si la información se ofrecía tanto a través de video como de texto, tendían a consumir solo una de las versiones y omitir la segunda.

      ¿Cómo podemos explicar la tendencia a consumir solo una forma de contenido?
      Cuando tomamos la decisión de hacer clic en un video sobre un artículo de texto, puede parecer una elección clara. Pero la verdad es que hay varios factores inconscientes que influyen en el proceso de toma de decisiones de los visitantes sin que ellos se den cuenta. Estos factores incluyen el estado mental del visitante en un momento dado, el tipo de producto o servicio que está buscando y su personalidad en general.

      Estoy en un estado mental de video
      En mi trabajo como psicólogo web, he sido testigo de dos patrones de comportamiento distintivos que separan a los usuarios en dos tipos de grupos: visitantes orientados a objetivos y visitantes involuntarios.

      Los visitantes que se encuentran en un estado mental de "navegación" pasarán por un sitio web solo para ver lo que se ofrece. Su objetivo es más entretener. Este visitante toma información de forma pasiva, confiando en recursos cognitivos limitados y permitiendo que el sitio web lo guíe a través de su interacción. Debido al procesamiento basado en emociones, este visitante prestará atención a imágenes coloridas, videos incrustados, titulares atractivos y lemas pegadizos.Los visitantes en un estado mental de navegación tenderán a preferir el video al texto.

      Pero luego están los visitantes que están orientados a objetivos, que llegan a su sitio web con una necesidad o causa específica en mente. Estos visitantes están mucho más dispuestos a utilizar recursos cognitivos y vemos que están más activos en la página. Saben exactamente lo que buscan, ya sea para leer cierto contenido, comprar un producto específico u obtener una actualización sobre las últimas noticias. Es mucho más probable que estos videos elijan texto en lugar de video cuando se les da una opción entre los dos.

      Sentido de control
      Al mirar un video, inconscientemente abandonamos nuestra percepción de control absoluto sobre nuestro entorno. Involucrarse en una película es una forma de escape. Ver una película puede facilitar los sentimientos de disociación (una experiencia de tener la atención y las emociones de una persona separada del entorno) y puede ofrecer escapismo mental.

      No todos los tipos de personalidad se sienten cómodos renunciando a su sentido de control. Algunas personas necesitan sentir que permanecen en el asiento del conductor, por así decirlo, cuando interactúan con un sitio web. Estas personas preferirán el texto, porque les permite hojear las partes que les interesan menos, retroceder para volver a leer los pasajes que les interesan más y, en general, les permite marcar el ritmo de la interacción.

      El producto importa
      Una pregunta crucial que deben hacerse las empresas antes de decidir entregar su contenido a través de video o texto es: ¿Cuál es el producto que ofrecemos?

      Las investigaciones muestran que cuando los visitantes del sitio web deben tomar una decisión importante o consecuente, como comprar seguros o productos financieros, por ejemplo, se activan sus modos más racionales y orientados a los detalles y quieren sentirse en control. En este caso, el texto proporcionará a las empresas un mejor resultado que el video.

      Pero cuando las consecuencias de las interacciones de los visitantes no son tan significativas, el vídeo suele ser el modo preferido de interacción.

      Los visitantes tienden a considerar el video más atractivo en general porque requiere menos tensión cognitiva y los humanos están programados para evitar el trabajo pesado y favorecer la facilidad cognitiva. Por lo tanto, es un método más popular para entregar información.

      Pero el video no es a prueba de fallas. Hay varios factores en juego cuando los visitantes seleccionan la forma de su contenido, incluido su estado mental actual, el tipo de producto que se busca y su personalidad. Todos estos factores influyen inconscientemente en el proceso de toma de decisiones del visitante a lo largo de toda su interacción con el sitio web y lo impulsan a preferir una forma de contenido que se adapte mejor a sus necesidades momentáneas.

      Considere estos factores al decidir a qué formato de contenido responderá mejor su audiencia.


      Artículos de empatía y más

      Esta semana Mayor bien El editor en jefe Jason Marsh informa sobre los aspectos más destacados de la reciente conferencia Being Human en San Francisco, incluido un resumen de algunos de los temas y oradores clave, y una entrevista sobre las raíces evolutivas del altruismo con la psicóloga de Yale Laurie Santos. Hoy os presentamos una entrevista al neurocientífico V.S. Ramachandran sobre las neuronas espejo, el tema de su charla sobre el ser humano.

      ¿Alguna vez ha tenido esa sensación en la que está viendo a alguien hacer algo, por ejemplo, servir una pelota de tenis o ser pinchado por una aguja? sentir exactamente lo que deben estar sintiendo, como si estuvieras en sus zapatos?

      V.S. Ramachandran

      Los científicos se han preguntado durante mucho tiempo por qué tenemos esa sensación, y hace más de dos décadas, un equipo de investigadores italianos pensó que habían encontrado una respuesta. Mientras observaban los cerebros de los monos, notaron que ciertas células se activaban tanto cuando un mono realizaba una acción como cuando ese mono observaba a otro mono realizar la misma acción. Se descubrieron "neuronas espejo".

      Desde entonces, las neuronas espejo han sido aclamadas como la piedra angular de la empatía humana, el lenguaje y otros procesos vitales. Pero también ha habido una especie de reacción negativa de las neuronas espejo, y algunos científicos han sugerido que se ha exagerado la importancia de las neuronas espejo.

      V.S. Ramachandran ha sido una de las neuronas espejo y una de las # 8217 campeonas científicas más ardientes. Ramachandran (conocido como "Rama" por sus amigos y colegas), un distinguido profesor de neurociencia en la Universidad de California en San Diego, realizó una investigación preliminar sobre las neuronas espejo que desde entonces las llamó "la base de la civilización" en una charla TED y promocionó su importancia en su libro reciente El cerebro delator.

      “No creo que estén siendo exagerados”, dijo hace unos días en Being Human. & # 8220 Creo que & # 8217 están siendo minimizados, en realidad. & # 8221

      En su presentación en Being Human, Ramachandran discutió cómo la investigación sobre neuronas espejo y "miembros fantasmas" sugiere una extraordinaria capacidad humana para la empatía. (Consulte esta publicación para obtener más detalles).

      Después de su charla sobre el ser humano, me senté con Ramachandran para discutir lo que sabemos, y lo que no sabemos, sobre estas célebres células cerebrales. A continuación se muestra una versión condensada de nuestra conversación.

      Jason Marsh: Primero, ¿podría explicar un poco qué son las neuronas espejo y cómo se descubrieron?

      V.S. Ramachandran: Bueno, básicamente Giacomo Rizzolatti y Vittorio Gallese y algunos de sus colegas en Italia descubrieron las neuronas espejo. Encontraron estas neuronas en los lóbulos frontales del cerebro & # 8212 las áreas prefrontales del cerebro & # 8212 entre lo que originalmente se encontraron como neuronas de mando motor. Estas son neuronas que se activan cuando extiendo la mano y agarro un maní, otro conjunto de neuronas que se activan cuando extiendo la mano y tiro de una palanca, otras neuronas cuando estoy empujando algo, otras neuronas cuando estoy golpeando algo. Estas son neuronas de control motor regulares, que orquestan una secuencia de contracciones musculares que me permiten extender la mano y agarrar algo o realizar alguna otra acción.

      Un subconjunto de estas neuronas también se activa cuando simplemente observo a otra persona y observo cómo te acercas y haces exactamente la misma acción. Entonces, estas neuronas están realizando una simulación de realidad virtual de tu mente, tu cerebro. Por lo tanto, & # 8217 están construyendo una teoría de tu mente & # 8212 de tu intención & # 8212 que es importante para todo tipo de interacción social.

      JM: Así que ha hablado del papel de las neuronas espejo en las habilidades motoras. Me pregunto si podría explicar el papel de las neuronas espejo en las experiencias afectivas, en las experiencias emocionales.

      VR: Bueno, la gente ya me ha preguntado eso y no sé mucho al respecto. Todo lo que sé es que están involucrados en la empatía por, digamos, el tacto o una suave caricia o dolor.

      Por ejemplo, imagina que alguien me pincha el pulgar izquierdo con una aguja. Sabemos que la corteza insular dispara células y experimentamos una sensación dolorosa. La agonía del dolor probablemente se experimente en una región llamada cingulado anterior, donde hay células que responden al dolor. La siguiente etapa en el procesamiento del dolor, experimentamos la agonía, el dolor, la cualidad afectiva del dolor.

      Ramachandran hablando en Being Human.

      Resulta que estas neuronas del cíngulo anterior que responden al pinchazo de mi pulgar también se activarán cuando mire que te pinchan, pero solo un subconjunto de ellas. Hay neuronas de dolor que no son neuronas espejo y hay neuronas de dolor de neuronas espejo.

      Así que estas neuronas [espejo] probablemente estén involucradas en la empatía por el dolor. Si realmente siento empatía por tu dolor, necesito experimentarlo yo mismo. Eso es lo que están haciendo las neuronas espejo, lo que me permite sentir empatía con tu dolor y decir, en efecto, que esa persona está experimentando la misma agonía y un dolor insoportable que tú sentirías si alguien te pinchara con una aguja directamente. Esa es la base de toda empatía.

      JM: Solo para aclarar: cuando habla de neuronas espejo y neuronas no espejo, ¿de qué porcentaje está hablando?

      VR: Entre el 10 y el 20 por ciento [son neuronas espejo]. Para las neuronas motoras, creo que es un porcentaje más alto & # 8212 tal vez alrededor del 20 por ciento. Para las neuronas sensoriales, es alrededor del 10 por ciento. Pero estos números no son tan precisos.

      JM: Entonces, ¿podría explicar las implicaciones sociales y las implicaciones prácticas más amplias de las neuronas espejo?

      VR: Bueno, [las neuronas espejo] me permiten verte como un ser intencional, con propósito e intención. De hecho, sugerimos hace casi una década que la disfunción de la neurona espejo puede estar involucrada en el autismo. Las personas con autismo, irónicamente, a veces imitan constantemente lo que estás haciendo, pero también es cierto que son malos imitando y no tienen empatía, no tienen una teoría de la mente, no pueden inferir tu intenciones, no se involucran en juegos de simulación. En el juego de simulación, lo que hago es decir temporalmente, & # 8220 voy a ser este superhéroe, & # 8221, así que tú haces juego de roles. Eso requiere una teoría de la mente.

      Así que tome todas las propiedades de las neuronas espejo, haga una lista de ellas y enumere todas las cosas que van mal en el autismo. Hay una muy buena coincidencia. No todos los síntomas, pero muchos de los síntomas coinciden a la perfección. Y es controvertido: hay alrededor de siete artículos que afirman que es cierto, utilizando imágenes cerebrales, y tal vez uno o dos afirman que no existe una correlación [entre las neuronas espejo y el autismo].

      JM: Desde su perspectiva, ¿cuáles cree que son algunos de los mayores conceptos erróneos sobre las neuronas espejo y las especulaciones que aún no han sido validadas por la ciencia?

      VR: Bueno, creo que al igual que con cualquier nuevo descubrimiento científico, inicialmente la gente es muy escéptica. Cuando la gente descubrió que estas neuronas existen, y que existen en los seres humanos, la gente se excedió y dijo que lo hacían todo. Y yo mismo soy en parte responsable porque hice este comentario divertido, no del todo serio, de que las neuronas espejo harán por la psicología lo que el ADN hizo por la biología y abrirán un campo de investigación completamente nuevo. Resultó que tenía razón, pero es exagerado & # 8212 Quiero decir, mucha gente, cualquier cosa que no puedan entender, dicen que se debe a las neuronas espejo.


      JM: ¿Y cuáles son algunas de esas cosas que la gente atribuye a las neuronas espejo que aún no sabemos que son ciertas?

      VR: Bueno, creo que mi propia teoría sobre el autismo no ha sido probada. Es una teoría plausible & # 8212es mejor que cualquier otra teoría que esté por ahí & # 8212 pero aún no ha sido probada. Pero la persona popular se aferra a ello y dice que el autismo es causado por una deficiencia de neuronas espejo.

      La otra cosa importante que quiero decir es que las neuronas espejo son obviamente el punto de partida para cosas como la empatía, pero eso es todo, quiero decir, necesitas mucho más. Si las neuronas espejo están involucradas en cosas como la empatía y el lenguaje y todo eso, entonces los monos deberían ser muy buenos en estas cosas. Una de las cosas que sostengo, y otros han argumentado, es que las neuronas espejo son importantes para transmitir habilidades de generación en generación. Necesito ponerme en tu lugar para observar lo que estás haciendo y mimetizarlo con precisión. Las neuronas espejo son importantes en eso.

      JM: Correcto, y de eso se trata la cultura: la transmisión de esas habilidades aprendidas.

      VR: Exactamente. Esa es una de las propuestas que hice en el sitio web de Edge en un ensayo que publiqué hace 10 años. Pero si eso fuera cierto, si ellos fueran los responsables de toda esa transmisión de habilidades y cultura, los monos deberían ser muy buenos en esas cosas porque tienen neuronas espejo.

      Así que claramente las neuronas espejo proporcionan el sustrato [para esas habilidades], y tal vez haya neuronas espejo más sofisticadas en los humanos que en los monos, pero no son por sí mismas [responsables].

      Ese tipo de errores son bastante comunes, pero está bien.

      JM: ¿Por qué dices que está bien?

      VR: Así es como avanza la ciencia. La gente hace exageraciones y luego las corrige.


      Contenido

      Las redes neuronales aprenden (o se entrenan) procesando ejemplos, cada uno de los cuales contiene una "entrada" y un "resultado" conocidos, formando asociaciones ponderadas por probabilidad entre los dos, que se almacenan dentro de la estructura de datos de la propia red. El entrenamiento de una red neuronal a partir de un ejemplo dado generalmente se realiza determinando la diferencia entre la salida procesada de la red (a menudo una predicción) y una salida objetivo. Esta diferencia es el error. Luego, la red ajusta sus asociaciones ponderadas de acuerdo con una regla de aprendizaje y utilizando este valor de error. Los ajustes sucesivos harán que la red neuronal produzca una salida que sea cada vez más similar a la salida objetivo. Después de un número suficiente de estos ajustes, el entrenamiento puede terminarse en base a ciertos criterios. Esto se conoce como aprendizaje supervisado.

      Dichos sistemas "aprenden" a realizar tareas al considerar ejemplos, generalmente sin estar programados con reglas específicas de la tarea. Por ejemplo, en el reconocimiento de imágenes, pueden aprender a identificar imágenes que contienen gatos analizando imágenes de ejemplo que se han etiquetado manualmente como "gato" o "sin gato" y utilizando los resultados para identificar gatos en otras imágenes. Hacen esto sin ningún conocimiento previo de los gatos, por ejemplo, que tienen pelaje, cola, bigotes y caras de gato. En cambio, generan automáticamente características de identificación a partir de los ejemplos que procesan.

      Warren McCulloch y Walter Pitts [1] (1943) abrieron el tema creando un modelo computacional para redes neuronales. [2] A finales de la década de 1940, D. O. Hebb [3] creó una hipótesis de aprendizaje basada en el mecanismo de plasticidad neuronal que se conoció como aprendizaje hebbiano. Farley y Wesley A. Clark [4] (1954) utilizaron por primera vez máquinas computacionales, luego llamadas "calculadoras", para simular una red hebbiana. Rosenblatt [5] (1958) creó el perceptrón. [6] Las primeras redes funcionales con muchas capas fueron publicadas por Ivakhnenko y Lapa en 1965, como el método grupal de manejo de datos. [7] [8] [9] Los conceptos básicos de la retropropagación continua [7] [10] [11] [12] se derivaron en el contexto de la teoría del control por Kelley [13] en 1960 y por Bryson en 1961, [14] utilizando principios de programación dinámica. A partir de entonces, la investigación se estancó siguiendo a Minsky y Papert (1969), [15] quienes descubrieron que los perceptrones básicos eran incapaces de procesar el circuito o exclusivo y que las computadoras carecían de potencia suficiente para procesar redes neuronales útiles.

      En 1970, Seppo Linnainmaa publicó el método general para la diferenciación automática (AD) de redes conectadas discretas de funciones diferenciables anidadas. [16] [17] En 1973, Dreyfus utilizó la retropropagación para adaptar los parámetros de los controladores en proporción a los gradientes de error. [18] El algoritmo de retropropagación de Werbos (1975) permitió el entrenamiento práctico de redes multicapa. En 1982, aplicó el método AD de Linnainmaa a las redes neuronales en la forma que se volvió ampliamente utilizada. [10] [19]

      El desarrollo de la integración a gran escala (VLSI) de semiconductores de óxido de metal (MOS), en forma de tecnología MOS complementaria (CMOS), permitió aumentar el número de transistores MOS en la electrónica digital. Esto proporcionó más potencia de procesamiento para el desarrollo de redes neuronales artificiales prácticas en la década de 1980. [20]

      En 1986, Rumelhart, Hinton y Williams demostraron que la propagación hacia atrás aprendió representaciones internas interesantes de palabras como vectores de características cuando se entrenó para predecir la siguiente palabra en una secuencia. [21]

      En 1992, se introdujo la agrupación máxima para ayudar con la invariancia de desplazamiento mínimo y la tolerancia a la deformación para ayudar al reconocimiento de objetos en 3D. [22] [23] [24] Schmidhuber adoptó una jerarquía de redes de varios niveles (1992) preentrenados un nivel a la vez mediante aprendizaje no supervisado y ajustado por retropropagación. [25]

      Geoffrey Hinton y col. (2006) propusieron aprender una representación de alto nivel utilizando capas sucesivas de variables latentes binarias o de valor real con una máquina de Boltzmann restringida [26] para modelar cada capa. En 2012, Ng y Dean crearon una red que aprendió a reconocer conceptos de nivel superior, como gatos, solo viendo imágenes sin etiquetas. [27] El entrenamiento previo sin supervisión y el aumento de la potencia informática de las GPU y la computación distribuida permitieron el uso de redes más grandes, particularmente en problemas de reconocimiento visual y de imagen, que se conocieron como "aprendizaje profundo". [28]

      Ciresan et al. (2010) [29] demostraron que, a pesar del problema del gradiente de desaparición, las GPU hacen que la propagación hacia atrás sea factible para redes neuronales de retroalimentación de muchas capas. [30] Entre 2009 y 2012, las ANN comenzaron a ganar premios en concursos de ANN, acercándose al rendimiento a nivel humano en varias tareas, inicialmente en reconocimiento de patrones y aprendizaje automático. [31] [32] Por ejemplo, la memoria bidireccional y multidimensional a largo y corto plazo (LSTM) [33] [34] [35] [36] de Graves et al. ganó tres concursos de reconocimiento de escritura a mano conectada en 2009 sin ningún conocimiento previo sobre los tres idiomas a aprender. [35] [34]

      Ciresan y sus colegas construyeron los primeros reconocedores de patrones para lograr un desempeño humano-competitivo / sobrehumano [37] en puntos de referencia como el reconocimiento de señales de tráfico (IJCNN 2012).

      Las ANN comenzaron como un intento de explotar la arquitectura del cerebro humano para realizar tareas con las que los algoritmos convencionales tuvieron poco éxito. Pronto se reorientaron hacia la mejora de los resultados empíricos, abandonando en su mayoría los intentos de permanecer fieles a sus precursores biológicos. Las neuronas están conectadas entre sí en varios patrones, para permitir que la salida de algunas neuronas se convierta en la entrada de otras. La red forma un gráfico ponderado y dirigido. [38]

      Una red neuronal artificial consta de una colección de neuronas simuladas. Cada neurona es un nodo que está conectado a otros nodos a través de enlaces que corresponden a conexiones biológicas axón-sinapsis-dendrita. Cada enlace tiene un peso, que determina la fuerza de la influencia de un nodo sobre otro. [39]

      Componentes de las RNA Editar

      Neuronas Editar

      Las RNA están compuestas por neuronas artificiales que se derivan conceptualmente de neuronas biológicas. Cada neurona artificial tiene entradas y produce una única salida que se puede enviar a muchas otras neuronas. Las entradas pueden ser los valores de características de una muestra de datos externos, como imágenes o documentos, o pueden ser las salidas de otras neuronas. Las salidas de la final neuronas de salida de la red neuronal realizan la tarea, como reconocer un objeto en una imagen.

      Para encontrar la salida de la neurona, primero tomamos la suma ponderada de todas las entradas, ponderada por la pesos de El conexiones de las entradas a la neurona. Agregamos un parcialidad plazo a esta suma. Esta suma ponderada a veces se llama activación. Esta suma ponderada luego se pasa a través de una función de activación (generalmente no lineal) para producir la salida. Las entradas iniciales son datos externos, como imágenes y documentos. Los resultados finales cumplen la tarea, como reconocer un objeto en una imagen. [40]

      Conexiones y pesos Editar

      La red consta de conexiones, cada conexión proporciona la salida de una neurona como entrada a otra neurona.A cada conexión se le asigna un peso que representa su importancia relativa. [38] Una neurona determinada puede tener múltiples conexiones de entrada y salida. [41]

      Función de propagación Editar

      los función de propagación calcula la entrada a una neurona a partir de las salidas de sus neuronas predecesoras y sus conexiones como una suma ponderada. [38] A parcialidad El término se puede agregar al resultado de la propagación. [42]

      Organización Editar

      Las neuronas suelen estar organizadas en varias capas, especialmente en el aprendizaje profundo. Las neuronas de una capa se conectan solo a las neuronas de las capas inmediatamente anterior e inmediata. La capa que recibe datos externos es la capa de entrada. La capa que produce el resultado final es la capa de salida. Entre ellos hay cero o más capas ocultas. También se utilizan redes de una sola capa y sin capas. Entre dos capas, son posibles múltiples patrones de conexión. Ellos pueden ser completamente conectado, con cada neurona en una capa conectándose a cada neurona en la siguiente capa. Ellos pueden ser agrupación, donde un grupo de neuronas en una capa se conectan a una sola neurona en la siguiente capa, reduciendo así el número de neuronas en esa capa. [43] Las neuronas con sólo tales conexiones forman un gráfico acíclico dirigido y se conocen como redes de feedforward. [44] Alternativamente, las redes que permiten conexiones entre neuronas en la misma capa o en capas anteriores se conocen como redes recurrentes. [45]

      Edición de hiperparámetros

      Un hiperparámetro es un parámetro constante cuyo valor se establece antes de que comience el proceso de aprendizaje. Los valores de los parámetros se obtienen mediante el aprendizaje. Los ejemplos de hiperparámetros incluyen la tasa de aprendizaje, la cantidad de capas ocultas y el tamaño del lote. [46] Los valores de algunos hiperparámetros pueden depender de los de otros hiperparámetros. Por ejemplo, el tamaño de algunas capas puede depender del número total de capas.

      Aprendizaje Editar

      El aprendizaje es la adaptación de la red para manejar mejor una tarea considerando las observaciones de muestra. El aprendizaje implica ajustar los pesos (y los umbrales opcionales) de la red para mejorar la precisión del resultado. Esto se hace minimizando los errores observados. El aprendizaje es completo cuando el examen de observaciones adicionales no reduce de manera útil la tasa de error. Incluso después de aprender, la tasa de error normalmente no llega a 0. Si después de aprender, la tasa de error es demasiado alta, la red normalmente debe rediseñarse. Prácticamente esto se hace definiendo una función de costo que se evalúa periódicamente durante el aprendizaje. Mientras su producción continúe disminuyendo, el aprendizaje continúa. El costo se define frecuentemente como una estadística cuyo valor solo puede ser aproximado. Las salidas son en realidad números, por lo que cuando el error es bajo, la diferencia entre la salida (casi con certeza un gato) y la respuesta correcta (gato) es pequeña. El aprendizaje intenta reducir el total de las diferencias entre las observaciones. [38] La mayoría de los modelos de aprendizaje pueden verse como una aplicación sencilla de la teoría de la optimización y la estimación estadística.

      Tasa de aprendizaje Editar

      La tasa de aprendizaje define el tamaño de los pasos correctivos que toma el modelo para ajustar los errores en cada observación. Una tasa de aprendizaje alta acorta el tiempo de entrenamiento, pero con menor precisión final, mientras que una tasa de aprendizaje más baja lleva más tiempo, pero con el potencial de una mayor precisión. Las optimizaciones como Quickprop están destinadas principalmente a acelerar la minimización de errores, mientras que otras mejoras intentan principalmente aumentar la confiabilidad. Para evitar oscilaciones dentro de la red, como pesos de conexión alternos, y para mejorar la tasa de convergencia, los refinamientos utilizan una tasa de aprendizaje adaptativa que aumenta o disminuye según corresponda. [47] El concepto de impulso permite ponderar el equilibrio entre la pendiente y el cambio anterior de modo que el ajuste del peso dependa en cierto grado del cambio anterior. Un impulso cercano a 0 enfatiza el gradiente, mientras que un valor cercano a 1 enfatiza el último cambio.

      Función de coste Editar

      Si bien es posible definir una función de costo ad hoc, con frecuencia la elección está determinada por las propiedades deseables de la función (como la convexidad) o porque surge del modelo (por ejemplo, en un modelo probabilístico, la probabilidad posterior del modelo se puede usar como una inversa costo).

      Retropropagación Editar

      La retropropagación es un método que se utiliza para ajustar los pesos de conexión para compensar cada error encontrado durante el aprendizaje. La cantidad de error se divide efectivamente entre las conexiones. Técnicamente, backprop calcula el gradiente (la derivada) de la función de costo asociada con un estado dado con respecto a los pesos. Las actualizaciones de peso se pueden realizar a través del descenso de gradiente estocástico u otros métodos, como Extreme Learning Machines, [48] redes "sin apoyo", [49] entrenamiento sin retroceso, [50] redes "ingrávidas", [51] [52 ] y redes neuronales no conexionistas.

      Paradigmas de aprendizaje Editar

      Los tres paradigmas principales de aprendizaje son el aprendizaje supervisado, el aprendizaje no supervisado y el aprendizaje reforzado. Cada uno corresponde a una tarea de aprendizaje particular.

      Aprendizaje supervisado Editar

      El aprendizaje supervisado utiliza un conjunto de entradas emparejadas y salidas deseadas. La tarea de aprendizaje es producir el resultado deseado para cada entrada. En este caso, la función de costo está relacionada con la eliminación de deducciones incorrectas. [53] Un costo comúnmente utilizado es el error cuadrático medio, que intenta minimizar el error cuadrático medio entre la salida de la red y la salida deseada. Las tareas adecuadas para el aprendizaje supervisado son el reconocimiento de patrones (también conocido como clasificación) y la regresión (también conocido como aproximación de funciones). El aprendizaje supervisado también es aplicable a datos secuenciales (por ejemplo, para escritura a mano, reconocimiento de voz y gestos). Esto se puede considerar como un aprendizaje con un "maestro", en la forma de una función que proporciona una retroalimentación continua sobre la calidad de las soluciones obtenidas hasta el momento.

      Aprendizaje no supervisado Editar

      Aprendizaje reforzado Editar

      En aplicaciones como los videojuegos, un actor realiza una serie de acciones y recibe una respuesta generalmente impredecible del entorno después de cada una. El objetivo es ganar el juego, es decir, generar las respuestas más positivas (de menor costo). En el aprendizaje por refuerzo, el objetivo es ponderar la red (diseñar una política) para realizar acciones que minimicen el costo a largo plazo (acumulativo esperado). En cada momento el agente realiza una acción y el entorno genera una observación y un costo instantáneo, según unas reglas (generalmente desconocidas). Las reglas y el costo a largo plazo generalmente solo se pueden estimar. En cualquier momento, el agente decide si explorar nuevas acciones para descubrir sus costos o aprovechar el aprendizaje previo para proceder con mayor rapidez.

      Las ANN sirven como componente de aprendizaje en tales aplicaciones. [54] [55] La programación dinámica junto con las RNA (que proporcionan programación neurodinámica) [56] se ha aplicado a problemas como los relacionados con el enrutamiento de vehículos, [57] videojuegos, gestión de recursos naturales [58] [59] y medicina [ 60] debido a la capacidad de las ANN para mitigar las pérdidas de precisión incluso cuando se reduce la densidad de la cuadrícula de discretización para aproximar numéricamente la solución de problemas de control. Las tareas que caen dentro del paradigma del aprendizaje por refuerzo son los problemas de control, los juegos y otras tareas secuenciales de toma de decisiones.

      Autoaprendizaje Editar

      El autoaprendizaje en redes neuronales se introdujo en 1982 junto con una red neuronal capaz de autoaprendizaje denominada Crossbar Adaptive Array (CAA). [61] Es un sistema con solo una entrada, situación s, y solo una salida, acción (o comportamiento) a. No tiene aportes de asesoramiento externo ni aportes de refuerzo externo del entorno. El CAA calcula, de forma transversal, tanto las decisiones sobre acciones como las emociones (sentimientos) sobre situaciones encontradas. El sistema está impulsado por la interacción entre la cognición y la emoción. [62] Dada la matriz de memoria W = || w (a, s) ||, el algoritmo de autoaprendizaje de barra transversal en cada iteración realiza el siguiente cálculo:

      El valor retropropagado (refuerzo secundario) es la emoción hacia la situación de consecuencia. El CAA existe en dos ambientes, uno es el ambiente conductual donde se comporta, y el otro es el ambiente genético, donde a partir de él inicialmente y solo una vez recibe emociones iniciales a punto de encontrarse situaciones en el ambiente conductual. Habiendo recibido el vector del genoma (vector de especies) del entorno genético, el CAA aprenderá un comportamiento de búsqueda de objetivos, en el entorno de comportamiento que contiene situaciones deseables e indeseables. [63]

      Otro Editar

      En un marco bayesiano, se elige una distribución sobre el conjunto de modelos permitidos para minimizar el costo. Los métodos evolutivos, [64] la programación de la expresión génica, [65] el recocido simulado, [66] la maximización de expectativas, los métodos no paramétricos y la optimización del enjambre de partículas [67] son ​​otros algoritmos de aprendizaje. La recursividad convergente es un algoritmo de aprendizaje para las redes neuronales del controlador de articulación del modelo cerebeloso (CMAC). [68] [69]

      Modos Editar

      Hay dos modos de aprendizaje disponibles: estocástico y por lotes. En el aprendizaje estocástico, cada entrada crea un ajuste de peso. En el aprendizaje por lotes, los pesos se ajustan en función de un lote de entradas, acumulando errores sobre el lote. El aprendizaje estocástico introduce "ruido" en el proceso, utilizando el gradiente local calculado a partir de un punto de datos, esto reduce la posibilidad de que la red se atasque en los mínimos locales. Sin embargo, el aprendizaje por lotes generalmente produce un descenso más rápido y estable hasta un mínimo local, ya que cada actualización se realiza en la dirección del error promedio del lote. Un compromiso común es utilizar "mini lotes", lotes pequeños con muestras en cada lote seleccionadas estocásticamente de todo el conjunto de datos.

      Las RNA se han convertido en una amplia familia de técnicas que han avanzado el estado del arte en múltiples dominios. Los tipos más simples tienen uno o más componentes estáticos, incluido el número de unidades, el número de capas, los pesos unitarios y la topología. Los tipos dinámicos permiten que uno o más de estos evolucionen a través del aprendizaje. Estos últimos son mucho más complicados, pero pueden acortar los períodos de aprendizaje y producir mejores resultados. Algunos tipos permiten / requieren que el operador "supervise" el aprendizaje, mientras que otros operan de forma independiente. Algunos tipos operan puramente en hardware, mientras que otros son puramente software y se ejecutan en computadoras de propósito general.

      Algunos de los principales avances incluyen: redes neuronales convolucionales que han demostrado ser particularmente exitosas en el procesamiento de datos visuales y otros datos bidimensionales [70] [71] la memoria a corto plazo evitan el problema del gradiente de desaparición [72] y pueden manejar señales que tienen un combinación de componentes de baja y alta frecuencia que ayudan al reconocimiento de voz de vocabulario extenso, [73] [74] síntesis de texto a voz, [75] [10] [76] y cabezas parlantes fotorrealistas [77] redes competitivas como la generativa Redes adversas en las que múltiples redes (de estructura variable) compiten entre sí, en tareas como ganar un juego [78] o engañar al oponente sobre la autenticidad de una entrada. [79]

      La búsqueda de arquitectura neuronal (NAS) utiliza el aprendizaje automático para automatizar el diseño de ANN. Varios enfoques de NAS han diseñado redes que se comparan bien con los sistemas diseñados a mano. El algoritmo de búsqueda básico es proponer un modelo candidato, evaluarlo contra un conjunto de datos y utilizar los resultados como retroalimentación para enseñar a la red NAS. [80] Los sistemas disponibles incluyen AutoML y AutoKeras. [81]

      Los problemas de diseño incluyen decidir el número, el tipo y la conectividad de las capas de red, así como el tamaño de cada una y el tipo de conexión (completa, agrupada,.).

      Los hiperparámetros también deben definirse como parte del diseño (no se aprenden), gobernando asuntos como cuántas neuronas hay en cada capa, tasa de aprendizaje, paso, zancada, profundidad, campo receptivo y relleno (para CNN), etc. [ 82]

      El uso de redes neuronales artificiales requiere una comprensión de sus características.

      • Elección del modelo: depende de la representación de los datos y la aplicación. Los modelos demasiado complejos ralentizan el aprendizaje.
      • Algoritmo de aprendizaje: existen numerosas compensaciones entre los algoritmos de aprendizaje. Casi cualquier algoritmo funcionará bien con los hiperparámetros correctos para el entrenamiento en un conjunto de datos en particular. Sin embargo, seleccionar y ajustar un algoritmo para el entrenamiento con datos invisibles requiere una experimentación significativa.
      • Robustez: si el modelo, la función de coste y el algoritmo de aprendizaje se seleccionan de forma adecuada, la RNA resultante puede volverse robusta.

      Las capacidades de ANN se incluyen en las siguientes categorías generales: [ cita necesaria ]

        , o análisis de regresión, incluida la predicción de series de tiempo, la aproximación de aptitud y el modelado. , incluido el reconocimiento de patrones y secuencias, la detección de novedades y la toma de decisiones secuencial. [83], incluidos el filtrado, la agrupación en clústeres, la separación y la compresión de fuentes ciegas. , incluida la dirección de manipuladores y prótesis.

      Debido a su capacidad para reproducir y modelar procesos no lineales, las redes neuronales artificiales han encontrado aplicaciones en muchas disciplinas. Las áreas de aplicación incluyen identificación y control de sistemas (control de vehículos, predicción de trayectorias, [84] control de procesos, gestión de recursos naturales), química cuántica, [85] juego general, [86] reconocimiento de patrones (sistemas de radar, identificación de rostros, clasificación de señales, [87] Reconstrucción 3D, [88] reconocimiento de objetos y más), reconocimiento de secuencias (reconocimiento de gestos, voz, texto escrito a mano e impreso [89]), diagnóstico médico, finanzas [90] (por ejemplo, sistemas de comercio automatizados), extracción de datos, visualización , traducción automática, filtrado de redes sociales [91] y filtrado de correo no deseado. Las ANN se han utilizado para diagnosticar varios tipos de cánceres [92] [93] y para distinguir líneas celulares de cáncer altamente invasivas de las líneas menos invasivas utilizando solo información sobre la forma celular. [94] [95]

      Las ANN se han utilizado para acelerar el análisis de fiabilidad de las infraestructuras sujetas a desastres naturales [96] [97] y para predecir asentamientos de cimientos. [98] Las ANN también se han utilizado para construir modelos de caja negra en geociencias: hidrología, [99] [100] modelización oceánica e ingeniería costera, [101] [102] y geomorfología. [103] Las ANN se han empleado en ciberseguridad, con el objetivo de discriminar entre actividades legítimas y maliciosas. Por ejemplo, el aprendizaje automático se ha utilizado para clasificar el malware de Android, [104] para identificar los dominios que pertenecen a los actores de amenazas y para detectar las URL que suponen un riesgo para la seguridad. [105] Se están investigando sistemas ANN diseñados para pruebas de penetración, para detectar botnets, [106] fraudes con tarjetas de crédito [107] e intrusiones en la red.

      Las ANN se han propuesto como una herramienta para resolver ecuaciones diferenciales parciales en física [108] [109] [110] y simular las propiedades de sistemas cuánticos abiertos de muchos cuerpos. [111] [112] [113] [114] En la investigación del cerebro, las ANN han estudiado el comportamiento a corto plazo de neuronas individuales, [115] la dinámica de los circuitos neuronales surge de interacciones entre neuronas individuales y cómo el comportamiento puede surgir de módulos neuronales abstractos que representan subsistemas completos. Los estudios consideraron la plasticidad a corto y largo plazo de los sistemas neuronales y su relación con el aprendizaje y la memoria desde la neurona individual hasta el nivel del sistema.

      Poder computacional Editar

      El perceptrón multicapa es un aproximador de función universal, como lo demuestra el teorema de aproximación universal. Sin embargo, la prueba no es constructiva con respecto al número de neuronas necesarias, la topología de la red, los pesos y los parámetros de aprendizaje.

      Una arquitectura recurrente específica con pesos de valor racional (a diferencia de los pesos de valor numérico real de precisión total) tiene el poder de una máquina de Turing universal, [116] utilizando un número finito de neuronas y conexiones lineales estándar. Además, el uso de valores irracionales para los pesos da como resultado una máquina con un poder super-Turing. [117]

      Capacidad Editar

      La propiedad de "capacidad" de un modelo corresponde a su capacidad para modelar cualquier función dada. Está relacionado con la cantidad de información que se puede almacenar en la red y con la noción de complejidad. La comunidad conoce dos nociones de capacidad. La capacidad de información y la dimensión VC. La capacidad de información de un perceptrón se analiza intensamente en el libro de Sir David MacKay [118] que resume el trabajo de Thomas Cover. [119] La capacidad de una red de neuronas estándar (no convolucionales) puede derivarse de cuatro reglas [120] que se derivan de la comprensión de una neurona como un elemento eléctrico. La capacidad de información captura las funciones modelables por la red dado cualquier dato como entrada. La segunda noción es la dimensión VC. VC Dimension utiliza los principios de la teoría de la medida y encuentra la capacidad máxima en las mejores circunstancias posibles. Esto es, dados los datos de entrada en una forma específica. Como se indica en [118], la dimensión VC para entradas arbitrarias es la mitad de la capacidad de información de un perceptrón. La dimensión VC para puntos arbitrarios a veces se denomina capacidad de memoria. [121]

      Convergencia Editar

      Es posible que los modelos no converjan consistentemente en una única solución, en primer lugar porque pueden existir mínimos locales, dependiendo de la función de costo y el modelo. En segundo lugar, es posible que el método de optimización utilizado no garantice la convergencia cuando comienza lejos de cualquier mínimo local. En tercer lugar, para datos o parámetros suficientemente grandes, algunos métodos se vuelven imprácticos.

      El comportamiento de convergencia de ciertos tipos de arquitecturas ANN se comprende mejor que otras. Cuando el ancho de la red se acerca al infinito, la RNA está bien descrita por su expansión de Taylor de primer orden a lo largo del entrenamiento y, por lo tanto, hereda el comportamiento de convergencia de los modelos afines. [122] [123] Otro ejemplo es cuando los parámetros son pequeños, se observa que las RNA a menudo se ajustan a las funciones objetivo de frecuencias bajas a altas. [124] [125] [126] [127] Este fenómeno es opuesto al comportamiento de algunos esquemas numéricos iterativos bien estudiados, como el método de Jacobi.

      Generalización y estadísticas Editar

      Las aplicaciones cuyo objetivo es crear un sistema que generalice bien a ejemplos invisibles, se enfrentan a la posibilidad de sobreentrenamiento. Esto surge en sistemas complicados o sobreespecificados cuando la capacidad de la red excede significativamente los parámetros libres necesarios. Dos enfoques abordan el sobreentrenamiento. La primera es utilizar validación cruzada y técnicas similares para verificar la presencia de sobreentrenamiento y seleccionar hiperparámetros para minimizar el error de generalización.

      El segundo es utilizar alguna forma de regularización. Este concepto surge en un marco probabilístico (bayesiano), donde la regularización se puede realizar seleccionando una probabilidad previa mayor sobre modelos más simples, pero también en la teoría del aprendizaje estadístico, donde el objetivo es minimizar más de dos cantidades: el 'riesgo empírico' y el ' riesgo estructural ', que corresponde aproximadamente al error sobre el conjunto de entrenamiento y el error predicho en los datos invisibles debido al sobreajuste.

      Las redes neuronales supervisadas que usan una función de costo de error cuadrático medio (MSE) pueden usar métodos estadísticos formales para determinar la confianza del modelo entrenado. El MSE en un conjunto de validación se puede utilizar como una estimación de la varianza. Este valor se puede utilizar para calcular el intervalo de confianza de la salida de la red, asumiendo una distribución normal. Un análisis de confianza realizado de esta manera es estadísticamente válido siempre que la distribución de probabilidad de salida se mantenga igual y la red no se modifique.

      Al asignar una función de activación softmax, una generalización de la función logística, en la capa de salida de la red neuronal (o un componente softmax en una red basada en componentes) para variables objetivo categóricas, las salidas se pueden interpretar como probabilidades posteriores. Esto es útil en la clasificación, ya que proporciona una medida de certeza sobre las clasificaciones.

      La función de activación de softmax es:

      Entrenamiento Editar

      Una crítica común a las redes neuronales, particularmente en robótica, es que requieren demasiado entrenamiento para operar en el mundo real. [ cita necesaria ] Las posibles soluciones incluyen ejemplos de entrenamiento de mezcla aleatoria, mediante el uso de un algoritmo de optimización numérica que no toma pasos demasiado grandes al cambiar las conexiones de red siguiendo un ejemplo, agrupando ejemplos en los llamados mini-lotes y / o introduciendo un algoritmo recursivo de mínimos cuadrados para CMAC. [68]

      Teoría Editar

      Una objeción fundamental es que las RNA no reflejan suficientemente la función neuronal. La retropropagación es un paso crítico, aunque no existe tal mecanismo en las redes neuronales biológicas. [128] Se desconoce cómo codifican la información las neuronas reales. Las neuronas sensoriales disparan potenciales de acción con mayor frecuencia con la activación del sensor y las células musculares tiran con más fuerza cuando sus neuronas motoras asociadas reciben potenciales de acción con mayor frecuencia. [129] Aparte del caso de la transmisión de información de una neurona sensora a una neurona motora, no se conoce casi nada de los principios de cómo la información es manejada por las redes neuronales biológicas.

      Un reclamo central de las ANN es que incorporan principios generales nuevos y poderosos para procesar información. Estos principios están mal definidos. A menudo se afirma que surgen de la propia red. Esto permite que la asociación estadística simple (la función básica de las redes neuronales artificiales) se describa como aprendizaje o reconocimiento. Alexander Dewdney comentó que, como resultado, las redes neuronales artificiales tienen una "cualidad de algo por nada, una que imparte un aura peculiar de pereza y una clara falta de curiosidad sobre lo buenos que son estos sistemas informáticos. Ninguna mano humana (o mente) interviene las soluciones se encuentran como por arte de magia y nadie, al parecer, ha aprendido nada ”. [130] Una respuesta a Dewdney es que las redes neuronales manejan muchas tareas complejas y diversas, que van desde volar aviones de forma autónoma [131] hasta detectar fraudes con tarjetas de crédito y dominar el juego de Go.

      El escritor de tecnología Roger Bridgman comentó:

      Las redes neuronales, por ejemplo, están en el banquillo no solo porque han sido promocionadas hasta el cielo (¿qué no?), Sino también porque podrías crear una red exitosa sin entender cómo funcionaba: el montón de números que capturan su el comportamiento sería con toda probabilidad "una tabla opaca e ilegible. Sin valor como recurso científico".

      A pesar de su enfática declaración de que la ciencia no es tecnología, Dewdney parece aquí poner en la picota las redes neuronales como mala ciencia cuando la mayoría de los que las idean están tratando de ser buenos ingenieros. Una tabla ilegible que pudiera leer una máquina útil aún valdría la pena tenerla. [132]

      Los cerebros biológicos utilizan circuitos tanto superficiales como profundos, según lo informado por la anatomía cerebral, [133] que muestra una amplia variedad de invariancia. Weng [134] argumentó que el cerebro se auto-conecta en gran medida de acuerdo con las estadísticas de señales y, por lo tanto, una cascada en serie no puede detectar todas las dependencias estadísticas importantes.

      Editar hardware

      Las redes neuronales grandes y eficaces requieren considerables recursos informáticos. [135] Si bien el cerebro tiene hardware adaptado a la tarea de procesar señales a través de un gráfico de neuronas, simular incluso una neurona simplificada en la arquitectura de von Neumann puede consumir grandes cantidades de memoria y almacenamiento. Además, el diseñador a menudo necesita transmitir señales a través de muchas de estas conexiones y sus neuronas asociadas, lo que requiere una enorme potencia y tiempo de la CPU.

      Schmidhuber señaló que el resurgimiento de las redes neuronales en el siglo XXI se puede atribuir en gran medida a los avances en el hardware: de 1991 a 2015, la potencia de cálculo, especialmente la proporcionada por las GPGPU (en las GPU), se ha multiplicado por un millón, lo que hace que el algoritmo de retropropagación estándar factible para redes de entrenamiento que son varias capas más profundas que antes. [7] El uso de aceleradores como FPGA y GPU puede reducir los tiempos de entrenamiento de meses a días. [135]

      La ingeniería neuromórfica aborda la dificultad del hardware directamente mediante la construcción de chips que no son de von Neumann para implementar directamente redes neuronales en los circuitos. Otro tipo de chip optimizado para el procesamiento de redes neuronales se llama Unidad de procesamiento de tensor, o TPU. [136]

      Contraejemplos prácticos Editar

      Analizar lo aprendido por una ANN es mucho más fácil que analizar lo aprendido por una red neuronal biológica. Además, los investigadores involucrados en la exploración de algoritmos de aprendizaje para redes neuronales están descubriendo gradualmente principios generales que permiten que una máquina de aprendizaje tenga éxito. Por ejemplo, aprendizaje local versus no local y arquitectura superficial versus profunda. [137]

      Enfoques híbridos Editar

      Los defensores de los modelos híbridos (que combinan redes neuronales y enfoques simbólicos) afirman que tal mezcla puede capturar mejor los mecanismos de la mente humana. [138] [139]

      Una red neuronal artificial feedforward de dos capas.

      Una red neuronal artificial.

      Una red neuronal artificial feedforward de una sola capa con 4 entradas, 6 ocultas y 2 salidas. Valores de control basados ​​en la rueda de salida de estado y dirección de posición dados.

      Una red neuronal artificial feedforward de dos capas con 8 entradas, 2x8 ocultas y 2 salidas. El estado de posición, la dirección y otros valores del entorno dados generan valores de control basados ​​en el propulsor.

      Estructura de canalización paralela de la red neuronal CMAC. Este algoritmo de aprendizaje puede converger en un solo paso.


      La UAT es una aproximación teorema

      De hecho, para cualquier opción de activación no lineal $ g $, puedo encontrar un $ x $ para el que el error es positivo. Entonces, la pregunta interesante es & quot ¿Podemos ajustar un modelo de modo que el error sea como máximo $ epsilon $ por $ x $ en algún intervalo $ mathcal$? ”Y esta afirmación del problema es más o menos compatible con las advertencias de la UAT. También nos apunta en una dirección más rentable: en lugar de buscar 0 error, deseamos encontrar mínimo error cuando las entradas están en algún intervalo.

      En otras palabras, los teoremas sobre redes neuronales no garantizan que pueda lograr un error 0, garantizan que puede limitar el error para las entradas en algún intervalo (sujeto a algunos términos y condiciones).


      ¿Por qué es difícil simular una neurona? - psicología

      Existe mucho interés en la afirmación de que la disfunción del sistema de neuronas espejo en individuos con una condición del espectro autista causa dificultades en la interacción social y la comunicación. Este artículo revisa sistemáticamente todos los estudios publicados que utilizan métodos de neurociencia (EEG / MEG / TMS / eyetracking / EMG / fMRI) para examinar la integridad del sistema espejo en el autismo. Se revisan 25 artículos adecuados. La revisión muestra que los datos actuales son muy variados y que los estudios que utilizan medidas poco localizadas de la integridad del sistema espejo son difíciles de interpretar. La única medida bien localizada de la función del sistema de espejos es la fMRI. En los estudios de resonancia magnética funcional, aquellos que utilizan estímulos emocionales han informado diferencias de grupo, pero los estudios que utilizan estímulos de acción manual no emocionales no lo hacen. En general, hay poca evidencia de una disfunción global del sistema de espejo en el autismo. Los datos actuales pueden entenderse mejor bajo un modelo alternativo en el que la modulación de la respuesta social de arriba hacia abajo es anormal en el autismo. Se discuten las implicaciones de este modelo y las futuras direcciones de investigación.

      Reflejos

      * Una revisión sistemática de estudios neurocientíficos de los sistemas de neuronas espejo en el autismo. * Los datos se mezclan sin evidencia general de respuestas espejo anormales. * Es hora de dejar atrás la teoría del autismo del espejo roto. * La modulación social de arriba hacia abajo de los sistemas de espejos es un factor crítico en el autismo.


      ¿Qué es la enfermedad de las neuronas motoras?

      Las enfermedades de las neuronas motoras son un grupo de afecciones que hacen que los nervios de la columna y el cerebro pierdan su función con el tiempo. Son una forma rara pero grave de enfermedad neurodegenerativa.

      Las neuronas motoras son células nerviosas que envían señales de salida eléctrica a los músculos, lo que afecta la capacidad de funcionamiento de los músculos.

      La enfermedad de la neurona motora (EMN) puede aparecer a cualquier edad, pero los síntomas suelen aparecer después de los 40 años. Afecta más a hombres que a mujeres.

      El tipo más común de EMN, la esclerosis lateral amiotrófica (ELA), probablemente afecta hasta a 30.000 estadounidenses en un momento dado, con más de 5.600 diagnósticos cada año, según la Asociación de ELA.

      El renombrado físico inglés Stephen Hawking vivió con ELA durante muchas décadas hasta su muerte en marzo de 2018. El virtuoso de la guitarra Jason Becker es otro ejemplo de alguien que ha estado viviendo con ELA durante varios años.

      Compartir en Pinterest Stephen Hawking fue una de las personas más conocidas con MND.
      Crédito de la imagen: Doug Wheller, 2008

      Hay varios tipos de MND. Los médicos los clasifican según sean hereditarios o no y a qué neuronas afectan.

      ELA o enfermedad de Lou Gehrig, es el tipo más común y afecta tanto a las neuronas motoras superiores como a las inferiores (neuronas del cerebro y la médula espinal). Afecta los músculos de los brazos, las piernas, la boca y el sistema respiratorio. Una persona con ELA vivirá, en promedio, otros 3 a 5 años, pero, con cuidados de apoyo, algunas personas viven 10 años o más.

      Esclerosis lateral primaria afecta las neuronas del cerebro. Es una forma rara de MND que avanza más lentamente que la ELA. No es fatal, pero puede afectar la calidad de vida de una persona. La esclerosis lateral primaria juvenil puede afectar a los niños.

      Parálisis bulbar progresiva (PBP) involucra el tronco encefálico. Las personas con ELA a menudo también tienen PBP. La afección causa frecuentes episodios de asfixia, dificultad para hablar, comer y tragar.

      Atrofia muscular progresiva (PMA) es una afección poco común que afecta a las neuronas motoras inferiores de la médula espinal. Provoca un desgaste muscular lento pero progresivo, especialmente en los brazos, las piernas y la boca.

      Atrofia muscular espinal (SMA) es una MND hereditaria que afecta a los niños. Hay tres tipos, todos causados ​​por un cambio genético conocido como SMA1. Tiende a afectar el tronco, piernas y brazos. La perspectiva a largo plazo depende del tipo.

      Los diferentes tipos de MND comparten síntomas similares, pero progresan a diferentes velocidades y varían en gravedad.

      La MND tiene tres etapas: temprana, media y avanzada.

      Signos y síntomas de la etapa temprana

      En la etapa inicial, los síntomas se desarrollan lentamente y pueden parecerse a los de otras afecciones. Los síntomas dependerán del tipo de MND que tenga una persona y a qué parte del cuerpo afecte.

      Los síntomas típicos comienzan en una de las siguientes áreas:

      • un agarre debilitado, lo que dificulta levantar y sostener cosas
      • dolores musculares, calambres y espasmos
      • habla arrastrada
      • debilidad en brazos y piernas
      • torpeza y tropiezo
      • dificultad para tragar
      • dificultad para respirar o falta de aire
      • respuestas emocionales inapropiadas, como reír o llorar
      • Pérdida de peso, ya que los músculos pierden masa.

      Signos y síntomas de la etapa media

      A medida que avanza la afección, los primeros síntomas permanecen y se vuelven más graves.

      Las personas también pueden experimentar:

      • encogimiento muscular
      • dificultad para moverse
      • dolor en las articulaciones
      • babeo debido a problemas para tragar
      • bostezos incontrolables, que pueden provocar dolor de mandíbula
      • cambios en la personalidad y el estado emocional
      • respiración dificultosa

      Los estudios sugieren que hasta el 50% de las personas con ELA pueden experimentar afectación cerebral, incluidos problemas de memoria y lenguaje. Alrededor del 12 al 15% de las personas con ELA pueden desarrollar demencia.

      Algunas personas también desarrollan insomnio, ansiedad y depresión.

      Signos y síntomas de la etapa avanzada

      Con el tiempo, una persona en la etapa avanzada de ELA necesitará ayuda para moverse, comer o respirar, y la afección puede poner en peligro su vida.


      Ver el vídeo: The Neuron (Junio 2022).