UK 
EnglishТипова
Polski🗺️ Топографічна Карта Рухової Кори
Руховий гомункул: площа кори, присвячена частинам тіла, масштабується з вправністю. Карта Кохонена навчається топографічного представлення з випадкових вхідних даних.
Як це працює
Самоорганізаційна карта Кохонена симулює, як рухова кора розвиває свою топографічну карту. Кожен нейрон у сітці має 2D вектор ваги, що представляє позицію в просторі тіла. Тренувальні входи вибирають позиції тіла, причому область кисті вибирається частіше (імітуючи вищу вимогу до вправності).
На кожному кроці знаходиться найкраще відповідний нейрон (BMU), потім його ваги й ваги сусідів зсуваються в бік входу. За тисячі ітерацій карта самоорганізується так, що сусідні нейрони реагують на сусідні позиції тіла — формуючи топографічну карту. Область кисті розширюється, займаючи більше кіркової площі.
Δw_i = η · h(||r_i − r_BMU||, σ) · (x − w_i)
h(d, σ) = exp(−d²/(2σ²)) [гаусова околиця]
η(t) = η₀ · exp(−t/T) [швидкість навчання, що спадає]
Часті запитання
Що таке рухова кора?
Рухова кора (первинна рухова кора, M1) — це ділянка кори великих півкуль у лобовій частці, відповідальна за довільні рухи. Вона містить гігантські клітини Беца, аксони яких формують кірково-спинномозковий шлях, безпосередньо керуючи спинномозковими мотонейронами, що активують м'язи.
Що таке руховий гомункул?
Руховий гомункул — це спотворене представлення людського тіла, відображене на руховій корі. Частини тіла з більшою вправністю й тоншим моторним контролем (кисті, обличчя, губи) мають непропорційно великі кіркові представлення, тоді як менш вправні ділянки (тулуб, ноги) — менші.
Що таке самоорганізаційна карта Кохонена (SOM)?
SOM Кохонена — це нейронна мережа навчання без учителя, яка вивчає низьковимірне топографічне представлення високовимірних вхідних даних. Нейрони розташовані в сітці; під час навчання найкраще відповідний нейрон (BMU) і його сусіди оновлюються в бік кожного входу, створюючи неперервну карту.
Як працює алгоритм SOM?
1) Пред'явити випадковий вхідний вектор. 2) Знайти BMU (нейрон із вагами, найближчими до входу). 3) Оновити BMU й сусідів: Δw = η · h(d) · (x − w), де η — швидкість навчання, а h(d) — гаусова функція околиці. 4) Зменшувати η та радіус околиці з часом. Повторювати до збіжності.
Чому кіркове представлення пропорційне вправності?
Ділянки мозку, що керують тонкими моторними рухами (кисті, рот), потребують точнішого нейронного контролю, закодованого в більшій кількості кіркових нейронів. Під час розвитку й практики активні частини тіла розширюють свою кіркову територію через пластичність, залежну від використання — чим більше ви використовуєте частину тіла, тим більше кори вона займає.
Чи може карта рухової кори змінюватися в дорослих?
Так, кіркові карти пластичні протягом усього життя. У музикантів представлення грайливої руки збільшується з практикою. Після ампутації кінцівки кіркові ділянки суміжних частин тіла розширюються в деаферентовану зону. Ця кіркова реорганізація також може викликати відчуття фантомної кінцівки.
Що таке соматотопія?
Соматотопія — це впорядковане просторове представлення поверхні тіла в мозку. У руховій корі суміжні частини тіла представлені в суміжних кіркових ділянках. Ця топографічна організація — фундаментальний принцип кіркового картування, що також трапляється в соматосенсорній та зоровій корі.
Яка різниця між M1 і премоторною корою?
M1 (первинна рухова кора, поле Бродмана 4) виконує рухи через прямі кірково-спинномозкові з'єднання. Премоторна кора (поле 6) планує й готує рухи на основі сенсорного входу та інструкцій. Додаткова моторна ділянка (SMA, також поле 6) бере участь у внутрішньо-згенерованих послідовностях і двобічній координації.
Що таке фактор кіркового збільшення?
Фактор кіркового збільшення (CMF) описує, скільки кіркової поверхні присвячено на одиницю поверхні тіла. Високий CMF (кінчики пальців, фовеа) означає, що більше кіркових нейронів кодує малу ділянку шкіри/тіла, забезпечуючи тонку дискримінацію. Симуляція SOM показує, як різна частота входів створює різну площу карти.
Як SOM пов'язана з розвитком кори?
SOM — це обчислювальна модель того, як залежна від активності конкуренція під час розвитку формує кіркові карти. Корельована активність від сусідніх частин тіла змушує сусідні нейрони реагувати подібно. Це пояснює, як упорядкована соматотопічна карта виникає з початково невпорядкованих з'єднань.
Про цю симуляцію
Цей симулятор наживо тренує самоорганізаційну карту Кохонена (SOM), щоб змоделювати, як непропорційна структура тіла в руховому гомункулі виникає з чистої статистики використання: п'ять ділянок тіла (ноги, тулуб, рука, кисть, обличчя) вибираються з різною частотою, причому область кисті зважена регульованим зміщенням вправності, а кожен крок тренування зсуває найкраще відповідний нейрон та його гаусову околицю в бік вибраної позиції — саме той процес конкурентного навчання, який, як вважають, формує реальну кору під час розвитку.
🔬 Що показано
Сітка нейронів, що самоорганізується в неперервну топографічну карту позиції тіла, де ділянки, які вибираються частіше (як кисть), займають помітно більше сітки — прямий обчислювальний аналог кіркового збільшення.
🎮 Як користуватись
Регулюйте Розмір сітки SOM, Швидкість навчання η, Околицю σ і Зміщення кисті (вправність), потім натисніть ⚡ Тренувати 500 кроків, щоб прискорити навчання, або ↺ Скинути SOM, щоб почати заново. P — пауза, R — скидання.
💡 Чи знали ви?
Ніщо в цій симуляції явно не повідомляє карті, що кисті особливі — непропорційна територія кисті виникає лише тому, що ця область вибирається частіше під час навчання, віддзеркалюючи, як реальне кіркове збільшення відстежує частоту використання, а не будь-який жорстко закладений план тіла.
Часті питання
Чому підвищення зміщення кисті змушує область кисті рости на карті?
Зміщення кисті безпосередньо задає частоту вибірки цієї області відносно інших чотирьох ділянок тіла, тож вище зміщення означає, що координати кисті вибираються значно частіше під час навчання — а оскільки нейрони SOM рухаються лише до входів, які вони справді бачать, частіша вибірка захоплює більше території сітки, точно як кіркове збільшення.
Що контролює повзунок Околиця σ?
σ задає ширину гаусіани h(d,σ) = exp(−d²/2σ²), яка визначає, як далеко поширюється оновлення від найкраще відповідного нейрона; велике σ рухає цілі околиці разом на ранніх етапах навчання (створюючи гладку, впорядковану карту), тоді як σ автоматично спадає з часом, тож пізніші оновлення стають дедалі локальнішими й дрібнішими.
Чому швидкість навчання η спадає з кроками тренування?
η(t) = η₀·exp(−t/T) імітує стандартний розклад SOM: великі ранні кроки швидко підтягують початково випадкову сітку ваг до грубого топографічного порядку, тоді як спадання η пізніше дозволяє карті осісти в стабільній конфігурації без коливань.
Що насправді вимірює похибка квантування?
Це середня квадратична відстань між кожним тренувальним входом і вектором ваги його найкраще відповідного нейрона; спадання похибки квантування (QE) протягом тренування означає, що нейрони карти сходяться до позицій, які точно відстежують реальний розподіл вибраних координат тіла.
Чому сусідні клітини сітки зрештою представляють сусідні позиції тіла?
Оскільки кожне оновлення ваги також зсуває нейрони поблизу найкраще відповідного нейрона (не лише сам BMU), просторово близькі нейрони багаторазово притягуються до подібних входів протягом багатьох кроків — це саме той механізм, який створює неперервну, впорядковану топографічну карту замість перемішаної.