Wie das Gehirn die Position und die Bewegungen des Körpers wahrnimmt

- EN- DE - FR- IT
Menschlicher Arm mit Muskeln, der ein in MyoSuite erstelltes Gehirn hält. Credit
Menschlicher Arm mit Muskeln, der ein in MyoSuite erstelltes Gehirn hält. Credit: Alessandro Marin Vargas/EPFL
Forscher der EPFL setzen künstliche neuronale Netze ein, um die Propriozeption zu untersuchen, d. h. den Sinn, den das Gehirn benutzt, um die Position und die Bewegungen des Körpers zu "wissen".

Wie weiß unser Gehirn, wo sich die einzelnen Körperteile befinden und wie sie sich bewegen? Dieser "sechste Sinn" wird allgemein als Propriozeption bezeichnet und ermöglicht es uns, uns frei zu bewegen, ohne ständig auf unsere Gliedmaßen schauen zu müssen.

An der Propriozeption ist ein komplexes Netzwerk von Sinnessensoren beteiligt, die sich in unseren Muskeln befinden. Diese Sensoren leiten Informationen über die Position und die Bewegungen unserer Gliedmaßen an unser Gehirn weiter. Es ist jedoch wenig darüber bekannt, wie das Gehirn die verschiedenen Signale, die unsere Muskeln ihm übermitteln, zusammenführt.

Eine neue Studie unter der Leitung von Alexander Mathis von der EPFL bringt Licht in diese Frage, indem sie untersucht, wie unser Gehirn eine kohärente Wahrnehmung über die Position und die Bewegungen unseres Körpers entwickelt. Die in der Fachzeitschrift Cell veröffentlichte Studie wurde von den Doktoranden Alessandro Marin Vargas, Axel Bisi und Alberto Chiappa durchgeführt und stützt sich auf experimentelle Daten von Chris Versteeg und Lee Miller von der Northwestern University.

"Es wird allgemein angenommen, dass sensorische Systeme die statistischen Regelmäßigkeiten der Umwelt ausnutzen müssen. Diese Theorie könnte viele Eigenschaften des visuellen und auditiven Systems erklären", erklärt Alexander Mathis. "Um diese Theorie auf die Propriozeption zu übertragen, haben wir mithilfe von Muskel-Skelett-Simulatoren die bewegungsabhängigen Aktivierungsstatistiken der in unseren Gliedmaßen verteilten sensorischen Sensoren berechnet."

Die Forscher griffen diese muskuloskelettale Modellierung auf, um Signale von den über die obere Extremität verteilten neuromuskulären Spindeln zu erzeugen und so ein "groß angelegtes Repertoire natürlicher Bewegungen" zu schaffen. Mit diesem Repertoire konnten sie Tausende von Modellen künstlicher "aufgabenorientierter" neuronaler Netze auf sechzehn computational tasks trainieren, die jeweils auf eine wissenschaftliche Hypothese über die Berechnungen verweisen, die über den propriozeptiven Pfad durchgeführt werden, der Teile des Hirnstamms und der somatosensorischen Rinde umfasst.

Mit diesem Ansatz analysierte das Team eingehend den Einfluss verschiedener Architekturen neuronaler Netze und computergestützter Aufgaben auf die Entwicklung von Repräsentationen propriozeptiver Informationen durch das Gehirn. Sie fand heraus, dass Modelle neuronaler Netze, die mit Aufgaben trainiert wurden, die die Position und Geschwindigkeit der Gliedmaßen vorhersagten, die neuronale Aktivität am besten vorhersagten. Dies würde darauf hindeuten, dass unser Gehirn vorrangig die Aktivität der neuro-muskulären Spindeln integriert, um die Position und die Bewegungen unseres Körpers zu verstehen.

Diese Forschung unterstreicht das Potenzial der durch überwachtes maschinelles Lernen gesteuerten Modellierung, die in den Neurowissenschaften als "task-driven" bezeichnet wird. Im Gegensatz zu herkömmlichen Methoden, die versuchen, die neuronale Aktivität direkt vorherzusagen, können Modelle, die darauf trainiert sind, computergestützte Aufgaben zu lösen, Informationen über die der sensorischen Verarbeitung zugrunde liegenden Rechenprinzipien liefern.

Diese Forschung ebnet auch den Weg für neue experimentelle Wege in den Neurowissenschaften. Denn ein besseres Verständnis der propriozeptiven Verarbeitung könnte zu großen Fortschritten in der Neuroprothetik führen, mit einer natürlicheren und intuitiveren Steuerung der künstlichen Gliedmaßen.

Referenzen

Alessandro Marin Vargas, Axel Bisi, Alberto Chiappa, Chris Versteeg, Lee Miller, Alexander Mathis. Task-driven neural network models predict neural dynamics of proprioception. Cell 21 March 2024. DOI: 10.1016/j.cell.2024.02.036