🗺️ Топографічна Карта Рухової Кори

Руховий гомункул: площа кори, присвячена частинам тіла, масштабується з вправністю. Карта Кохонена навчається топографічного представлення з випадкових вхідних даних.

НейронаукиІнтерактивно
SOM Кохонена — клацніть для додавання навчального вхідного сигналу · P пауза · R скинути

Як це працює

Самоорганізована карта Кохонена симулює формування топографічної карти рухової кори. Кожен нейрон у сітці має 2D вектор ваг, що представляє позицію в просторі тіла. Навчальні вхідні дані вибирають позиції тіла, причому зона кисті вибирається частіше (симулюючи більш високий попит на вправність).

На кожному кроці знаходиться найкраща відповідна одиниця (BMU), після чого її ваги і ваги сусідів зміщуються до вхідного сигналу. Після тисяч ітерацій карта самоорганізується так, що сусідні нейрони відповідають на сусідні позиції тіла — утворюючи топографічну карту.

BMU = argmin_i ||x − w_i||²
Δw_i = η · h(||r_i − r_BMU||, σ) · (x − w_i)
h(d, σ) = exp(−d²/(2σ²)) [Гауссова функція сусідства]
η(t) = η₀ · exp(−t/T) [затухаюча швидкість навчання]

Часті запитання

Що таке рухова кора?

Рухова кора (первинна рухова кора, M1) — ділянка кори головного мозку у лобовій частці, відповідальна за довільні рухи. Містить гігантські клітини Беца, аксони яких формують кортикоспінальний тракт, що безпосередньо контролює спінальні мотонейрони.

Що таке руховий гомункул?

Руховий гомункул — спотворене зображення людського тіла, накладене на рухову кору. Частини тіла з більшою вправністю (руки, обличчя, губи) мають непропорційно великі кортикальні представлення, тоді як менш вправні ділянки (тулуб, ноги) — менші.

Що таке самоорганізована карта Кохонена (SOM)?

SOM Кохонена — нейронна мережа без вчителя для топографічного представлення даних. Нейрони розташовані в сітці; під час навчання найближчий нейрон (BMU) і сусіди оновлюються до вхідних даних, утворюючи неперервну карту.

Як працює алгоритм SOM?

1) Подати випадковий вхідний вектор. 2) Знайти BMU. 3) Оновити BMU і сусідів: Δw = η · h(d) · (x − w), де η — швидкість навчання, h(d) — Гауссова функція сусідства. 4) Зменшувати η і радіус сусідства з часом. Повторювати до збіжності.

Чому кортикальне представлення пропорційне вправності?

Частини тіла з тонкими рухами потребують точнішого нейронного контролю. Під час розвитку активні частини тіла розширюють своє кортикальне представлення через залежну від використання пластичність — що більше ви використовуєте частину тіла, то більше кори вона займає.

Чи може карта рухової кори змінюватися у дорослих?

Так, кортикальні карти пластичні протягом усього життя. У музикантів представлення руки збільшується з практикою. Після ампутації кінцівки сусідні зони кори розширюються у деаферентовану зону, що може спричиняти фантомні відчуття.

Що таке соматотопія?

Соматотопія — впорядковане просторове представлення поверхні тіла в мозку. У руховій корі сусідні частини тіла представлені в сусідніх ділянках кори. Цей принцип характерний також для соматосенсорної та зорової кори.

У чому різниця між M1 і премоторною корою?

M1 (поле Бродмана 4) виконує рухи через прямі кортикоспінальні зв'язки. Премоторна кора (поле 6) планує рухи на основі сенсорних сигналів. SMA залучена до внутрішньо-генерованих послідовностей і двохрукої координації.

Що таке коефіцієнт кортикального збільшення?

Коефіцієнт кортикального збільшення (CMF) описує, скільки кортикальної площі відводиться на одиницю поверхні тіла. Висока CMF (кінчики пальців) означає точніше сенсорне розрізнення. SOM показує, як різна частота вхідних даних визначає різну площу карти.

Як SOM пов'язаний з розвитком кори?

SOM — обчислювальна модель того, як залежна від активності конкуренція під час розвитку формує кортикальні карти. Корельована активність від сусідніх частин тіла змушує сусідні нейрони реагувати схожим чином, пояснюючи появу впорядкованої соматотопічної карти.

Про цю симуляцію

Ця симуляція наживо навчає самоорганізовану карту Кохонена (SOM), щоб показати, як непропорційна розкладка тіла в моторному гомункулюсі виникає з чистої статистики використання: п'ять ділянок тіла (ноги, тулуб, рука, кисть, обличчя) вибираються з різною частотою, причому кисть зважується налаштовуваним показником спритності, а кожен крок навчання підштовхує найкраще підхожий нейрон і його гаусів сусідній регіон до вибраної позиції — саме так, як конкурентне навчання формує реальну кору під час розвитку.

🔬 Що показано

Сітку нейронів, що самоорганізується в неперервну топографічну карту положення тіла, де ділянки, вибрані частіше (як кисть), займають помітно більшу частину сітки — прямий обчислювальний аналог кіркового збільшення.

🎮 Як користуватись

Налаштуйте розмір сітки SOM, швидкість навчання η, сусідство σ і схильність до кисті (спритність), тоді натисніть ⚡ Train 500 steps, щоб прискорити навчання, або ↺ Reset SOM, щоб почати заново. P — пауза, R — скидання.

💡 Чи знали ви?

Нічого в цій симуляції явно не каже карті, що кисть особлива — непропорційна територія кисті виникає лише тому, що цю ділянку вибирають частіше під час навчання, віддзеркалюючи те, як реальне кіркове збільшення слідує за частотою використання, а не за жорстко закладеним планом тіла.

Часті запитання

Чому підвищення схильності до кисті збільшує область кисті на карті?

Схильність до кисті безпосередньо задає частоту вибору цієї ділянки відносно чотирьох інших ділянок тіла, тож вища схильність означає, що координати кисті вибираються значно частіше під час навчання — а оскільки нейрони SOM рухаються лише до тих входів, які вони бачать, частіший вибір забирає більше території сітки, точно як кіркове збільшення.

Що контролює повзунок сусідства σ?

σ задає ширину гаусіана h(d,σ) = exp(−d²/2σ²), який визначає, наскільки далеко від найкраще підхожого нейрона поширюється оновлення; велике σ рухає цілі сусідні ділянки разом на початку навчання (даючи гладку, впорядковану карту), а σ автоматично спадає з часом, тож пізніші оновлення стають дедалі локальнішими та детальнішими.

Чому швидкість навчання η спадає протягом кроків навчання?

η(t) = η₀·exp(−t/T) імітує стандартний графік SOM: великі кроки на початку швидко впорядковують спочатку випадкову сітку ваг у грубий топографічний порядок, а зменшення η пізніше дозволяє карті осісти в стабільній конфігурації без коливань.

Що насправді вимірює квантова похибка (Quant Error)?

Це середня квадратична відстань між кожним навчальним входом і вектором ваг його найкраще підхожого нейрона; спадання QE протягом кроків навчання означає, що нейрони карти сходяться до позицій, що точно відстежують реальний розподіл вибраних координат тіла.

Чому сусідні клітини сітки в результаті представляють сусідні положення тіла?

Тому що кожне оновлення ваг також підштовхує нейрони поблизу найкраще підхожого нейрона (не лише його самого), просторово близькі нейрони багаторазово притягуються до схожих входів протягом багатьох кроків — саме цей механізм і дає неперервну, впорядковану топографічну карту замість хаотичної.