Что такое нейронная система: Обучи себя сам. Что такое нейронные сети и как они, развлекая, меняют нашу жизнь?

Нейронная сеть — это… Что такое Нейронная сеть?

Схема простой нейронной сети. Зелёным цветом обозначены входные нейроны, голубым скрытые нейроны, фиолетовым — выходной нейрон

Нейронная сеть — термин, имеющий два значения:

1. Биологическая нейронная сеть — сеть, состоящая из биологических нейронов, которые связаны или функционально объединены в нервной системе. В нейронауках зачастую определяется как группа нейронов, которые выполняют специфические физиологические функции.
2. Искусственная нейронная сеть — сеть, состоящая из искусственных нейронов (программируемая конструкция, имитирующая свойства биологических нейронов). Искусственные нейронные сети используются для изучения свойств биологических нейронных сетей, а также для решения задач в сфере искусственного интеллекта.

В данной статье рассматриваются отношения между двумя этими понятиями, подробное описание каждого из них дано в отдельных статьях — биологическая нейронная сеть и искусственная нейронная сеть.

Общий обзор

Биологическая нейронная сеть состоит из группы или групп химически или функционально связанных нейронов. Один нейрон может быть связан со многими другими нейронами, а общее количество нейронов и связей в сети может быть достаточно большим. Место контакта нейронов называется синапсом, типичный синапс — аксо-дендритический химический. Передача импульсов осуществляется химическим путём с помощью медиаторов или электрическим путём посредством прохождения ионов из одной клетки в другую.

Исследования в сфере искусственного интеллекта и когнитивного моделирования пытаются имитировать некоторые свойства биологических нейронных сетей. В сфере искусственного интеллекта искусственные нейронные сети были успешно применены для распознавания речи, анализа изображений и адаптивного управления в целях разработки программных агентов (например, в компьютерных и видеоиграх) или автономных роботов. Большинство искусственных нейронных сетей, используемых в настоящее время в сфере искусственного интеллекта, разработаны на основе статистических методов, теории оптимизации и теории управления.

В сфере когнитивного моделирования ведётся физическое или математическое моделирование поведения нейронных систем, начиная с уровня отдельных нейронов (например, моделирование реакции нейрона на стимул), с выходом на уровень нейронных кластеров (например, моделирование выхода дофамина в базальных ганглиях) и организма в целом (например, моделирование ответа организма на раздражители).

История исследований нейронных сетей

Основы теории нейронных сетей были независимо разработаны А.Бэйном^[1] (1873) и У.Джеймсом^[2] (1890). В своих работах они рассматривают мыслительную деятельность как результат взаимодействия между нейронами в головном мозге.

Согласно Бэйну^[1], любая деятельность ведёт к активизации определенного набора нейронов. При повторении той же деятельности связи между этими нейронами укрепляются. Согласно его теории, эти повторения ведут к формированию памяти. Научное сообщество того времени восприняло теорию Бэйна скептически, поскольку следствием её являлось возникновение чрезмерного количества нейронных связей в мозге.

Теперь очевидно, что мозг является чрезвычайно сложной конструкцией и способен работать с несколькими задачами одновременно.

Теория Джеймса была схожа с теорией Бэйна^[2], но в то же время Джеймс предположил, что формирование памяти происходит в результате прохождения электрических токов между нейронами в головном мозге, не требуя соединений нейронов для каждого акта запоминания или действия.

Британский физиолог Ч.Шеррингтон в 1898 провел эксперименты для проверки теории Джеймса.^[3] Он пропускал электрический ток вдоль спинного мозга крыс. При этом вместо ожидаемого усиления тока, согласно теории Джеймса, Шеррингтон обнаружил, что электрический ток ослабевает с течением времени. Результаты экспериментов Шеррингтона сыграли важную роль в разработке теории привыкания.

В 1943 Мак-Каллок и Питтс разработали компьютерную модель нейронной сети^[4] на основе математических алгоритмов. Они назвали эту модель «пороговой логикой». Модель Мак-Каллока — Питтса заложила основы двух различных подходов исследований нейронных сетей.

Один подход был ориентирован на изучение биологических процессов в головном мозге, другой — на применение нейронных сетей для искусственного интеллекта.

В конце 1940-х канадский физиолог и психолог Дональд Хебб выдвинул гипотезу интерпретации обучения на основе механизма нейронной пластичности, известную как теория Хебба. Теория Хебба считается типичным случаем самообучения, при котором испытуемая система спонтанно обучается выполнять поставленную задачу, без вмешательства со стороны экспериментатора. В более поздних вариантах теория Хебба легла в основу описания явления долговременной потенциации. Эти идеи с 1948 начали применяться для вычислительных моделей в B-машинах А.Тьюринга.

Фарли и Кларк в 1954 с использованием компьютеров разработали имитацию сети Хебба в Массачусетском технологическом институте.^[5] Другие исследования нейронных сетей с помощью компьютерного моделирования были проведены в 1956 Рочестером, Холландом, Хебитом и Дуда.^[6]

В 1957 Ф. Розенблатт разработал перцептрон^[7] — математическую и компьютерную модель восприятия информации мозгом, на основе двухслойной обучающей компьютерной сети, использующей действия сложения и вычитания. В математической нотации Розенблатт описал также схему не только основного перцептрона, но и схему логического сложения, которая не могла быть реализована до разработки в 1975 Вербосом метода обратного распространения ошибки.

[8]

Исследования нейронных сетей застопорились после публикации работы по машинному обучению Минского и Пейперта в 1969.^[9] Они обнаружили две основные проблемы, связанные с вычислительными машинами, которые обрабатывают нейронные сети. Первая проблема состояла в том, что однослойные нейронные сети не могли совершать логическое сложение. Второй важной проблемой было то, что компьютеры не обладали достаточной вычислительной мощностью, чтобы эффективно обрабатывать огромный объём вычислений, необходимых для больших нейронных сетей. Исследования нейронных сетей замедлились до того времени, когда компьютеры достигли больших вычислительных мощностей.

Одним из важных более поздних достижений было открытие метода обратного распространения ошибки, который позволил решить проблему с логическим сложением.^[8]

Когнитрон, разработанный К.Фукусимой в 1975,^[10] был одной из первых многослойных нейронных сетей с алгоритмом обучения. Фактическая структура сети и методы, используемые в когнитроне для задания относительных весов связей, варьировались от одной стратегии к другой, каждая из стратегий имела свои преимущества и недостатки. Сети могли распространять информацию только в одном направлении, или перебрасывать информацию из одного конца в другой, пока не активировались все узлы и сеть не приходила в конечное состояние. Достичь двусторонней передачи информации между нейронами/узлами удалось лишь в сети Хопфилда (1982), и специализация этих узлов для конкретных целей была введена в первых гибридных сетях.

Алгоритм параллельной распределенной обработки данных в середине 1980-х стал популярен под названием коннективизма. Работа Руммельхарта и Мак-Клелланда (1986)^[11] полностью использует коннективизм для компьютерного моделирования нейронных процессов.

Распространение сетей, основанных на методе обратного распространения ошибки, вызвало большой энтузиазм в научном сообществе и породило многочисленные споры о том, может ли такое обучение быть реализовано в головном мозге, отчасти потому, что механизм обратного прохождения сигнала не был очевидным в то время, но главным образом потому, что не было явного источника «обучающего» или «целевого» сигнала. Тем не менее с 2006 было предложено несколько неконтролируемых процедур обучения нейронных сетей с одним или несколькими слоями с использованием так называемых алгоритмов глубокого обучения. Эти алгоритмы могут быть использованы для изучения промежуточных представлений, как с выходным сигналом, так и без него, чтобы понять основные особенности распределения сенсорных сигналов, поступающих на каждый слой нейронной сети.

Головной мозг, нейронные сети и компьютеры

Компьютерная модель ветвистой архитектуры дендритов пирамидальных нейронов. ^[12]

Нейронные сети, используемые в сфере искусственного интеллекта, традиционно рассматриваются как упрощенные модели нейронных сетей головном мозге, хотя вопрос о том, в какой мере искусственные нейронные сети отражают реальную структуру головного мозга, по-прежнему остается открытым.^[13]

Предметом исследований в теоретической нейробиологии является вопрос об уровне сложности и свойствах, которыми должны обладать отдельные нейроны для того, чтобы воспроизвести нечто, похожее на разум животных.

Исторически сложилось, что развитие компьютерной техники шло от архитектуры фон Неймана, которая основана на последовательной обработке и исполнении явных инструкций. С другой стороны, разработка искусственных нейронных сетей основывалась на моделях обработки информации в биологических системах, которые предполагают параллельную обработку информации, а также использование неявных инструкций на основе распознавания «сенсорных» входов из внешних источников. Другими словами, нейронная сеть представляет собой сложный статистический процессор (в отличие от систем, основанных на последовательной обработке и исполнении команд).

Нейрокодирование основано на том, как нейроны представляют сенсорную и другую информацию в мозге. Основная цель изучения нейрокодирования — выявить характер связи между стимулом и индивидуальной или групповой реакцией нейронов на него, а также взаимосвязь между электрической активностью нейронов в группе.^[14] Считается, что нейроны могут кодировать как цифровую, так и аналоговую информацию.^[15]

Нейронные сети и искусственный интеллект

Нейронная сеть (НС), в случае искусственных нейронов называемая искусственной нейронной сетью (ИНС) или смоделированной нейронной сетью (СНС), является взаимосвязанной группой естественных или искусственных нейронов, которая использует математические и вычислительные модели для обработки информации на основе коннективисткого подхода к вычислению. В большинстве случаев ИНС является адаптивной системой, которая изменяет свою структуру под влиянием внешней или внутренней информации, которая течет через сеть.

С практической точки зрения нейронные сети являются нелинейными статистическими системами моделирования данных или системами принятия решений. Они могут быть использованы для моделирования сложных отношений между входными и выходными данными или для нахождения закономерностей в данных. Ощутимый эффект от применения искусственных нейронных сетей возникает только при решении очень сложных задач высокой и сверхвысокой размерности. Там, где задача может быть решена классическими методами, применение искусственных нейронных сетей нецелесообразно.

Нейронные сети и нейронаука

Архитектура

Критика

См. также

Примечания

1. ↑ ^{1 2} Bain Mind and Body: The Theories of Their Relation. — New York: D. Appleton and Company, 1873.
2. ↑ ^{1 2} James The Principles of Psychology. — New York: H. Holt and Company, 1890.
3. ↑ Sherrington, C.S.. «Experiments in Examination of the Peripheral Distribution of the Fibers of the Posterior Roots of Some Spinal Nerves». Proceedings of the Royal Society of London 190: 45–186.
4. ↑ McCullock, Warren; Walter Pitts (1943). «A Logical Calculus of Ideas Immanent in Nervous Activity». Bulletin of Mathematical Biophysics 5 (4): 115–133. DOI:10.1007/BF02478259.
5. ↑ Farley, B; W.A. Clark (1954). «Simulation of Self-Organizing Systems by Digital Computer». IRE Transactions on Information Theory 4 (4): 76–84. DOI:10.1109/TIT.1954.1057468.
6. ↑ Rochester, N.; J.H. Holland, L.H. Habit, and W.L. Duda (1956). «Tests on a cell assembly theory of the action of the brain, using a large digital computer». IRE Transactions on Information Theory 2 (3): 80–93. DOI:10.1109/TIT.1956.1056810.
7. ↑ Rosenblatt, F. (1958). «The Perceptron: A Probalistic Model For Information Storage And Organization In The Brain». Psychological Review 65 (6): 386–408. DOI:10.1037/h0042519. PMID 13602029.
8. ↑ ^{1 2} Werbos P.J. Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences. — 1975.
9. ↑ Minsky M. An Introduction to Computational Geometry. — MIT Press, 1969. — ISBN 0-262-63022-2
10. ↑ Fukushima, Kunihiko (1975). «Cognitron: A self-organizing multilayered neural network». Biological Cybernetics 20 (3–4): 121–136. DOI:10.1007/BF00342633. PMID 1203338.
11. ↑ Rummelhart D.E Parallel Distributed Processing: Explorations in the Microstructure of Cognition.  — Cambridge: MIT Press, 1986.
12. ↑ (2010) «PLoS Computational Biology Issue Image». PLoS Computational Biology 6 (8): ev06.ei08. DOI:10.1371/image.pcbi.v06.i08.
13. ↑ Russell, Ingrid Neural Networks Module. Архивировано из первоисточника 23 июня 2012.
14. ↑ (2004) «Multiple neural spike train data analysis: state-of-the-art and future challenges». Nature Neuroscience 7 (5): 456–61. DOI:10.1038/nn1228. PMID 15114358.
15. ↑ Spike arrival times: A highly efficient coding scheme for neural networks, SJ Thorpe — Parallel processing in neural systems, 1990

Литература

Число нейронных связей в мозге улучшает качество жизни человека

Ум, настроение и удовлетворение жизнью зависят от того, насколько активно разные области мозга общаются между собой. Ученые, выяснившие это, рассказали отделу науки «Газеты.Ru», передается ли повышенное количество нейронных связей по наследству и как можно повысить склонность человека к математике.

На протяжении многих лет ученые думали, что головной мозг взрослого человека остается неизменным. Однако теперь науке точно известно: на протяжении всей жизни в нашем мозге формируются все новые и новые синапсы — контакты между нейронами или получающими их сигнал клетками другого типа. В совокупности

нейроны и синапсы формируют нейронную сеть, отдельные элементы которой постоянно контактируют между собой и обмениваются информацией.

Именно нейронные связи помогают разным областям головного мозга передавать друг другу данные, тем самым обеспечивая жизненно важные для нас процессы: формирование памяти, продуцирование и понимание речи, управление движениями собственного тела. Когда нейронные связи нарушаются (а произойти это может в результате заболеваний, таких как болезнь Альцгеймера, или же из-за физической травмы), определенные области головного мозга теряют способность взаимодействовать между собой. Вследствие этого становится невозможным выполнение какого-либо действия, как умственного (запоминание новой информации или планирование своих действий), так и физического.

Группа исследователей под руководством Стивена Смита из Центра функциональной магнитно-резонансной томографии головного мозга Оксфордского университета решила выяснить, способно ли общее число нейронных связей в мозге каким-то образом влиять на его работу в целом. В ходе исследования ученые использовали данные, полученные в рамках Human Connectome Project — проекта, запущенного в 2009 году. Его целью является составление своеобразной «карты» головного мозга, с помощью которой можно будет понять, какая область мозга отвечает за тот или иной процесс или заболевание, а также каким образом разные области мозга взаимодействуют друг с другом.

Уникальность работы исследовательской группы Стивена Смита заключалась в том, что ученые не концентрировали свое внимание на связях между конкретными областями мозга или на его определенных функциях, а изучали процессы в целом.

Подробнее ознакомиться с полученными данными можно в журнале Nature Neuroscience.

В исследовании были использованы результаты магнитно-резонансной томографии 461 человека. Для каждого из них была создана «карта», на которой показывалось общее количество нейронных связей между всеми областями мозга. Кроме того, каждый участник исследования заполнял анкету, где рассказывал о своем образовании, образе жизни, состоянии здоровья, семейном положении и эмоциональном состоянии. Всего вопросы затрагивали 280 аспектов жизни человека.

24 сентября 11:42

В результате работы удалось выяснить: чем большее количество нейронных связей присутствует в головном мозге человека, тем более «положительным» он является.

Люди, мозг которых был богат контактами между нейронами, как правило, получили высшее образование, не имели проблем с законом, стремились вести здоровый образ жизни, находились в хорошем психологическом состоянии и в целом демонстрировали высокий уровень удовлетворенности жизнью.

Как утверждают авторы исследования, взаимосвязь между количеством нейронных связей и качеством жизни человека была такой яркой и сильной, что сами ученые были поражены этим.

Отделу науки удалось связаться с ведущим автором работы Стивеном Смитом и поговорить с ним о деталях работы.

— Можно ли дать точное объяснение того, почему количество нейронных связей в головном мозге оказывает прямое воздействие на качество жизни человека: например, сказать, что число связей каким-то образом влияет на мозговую деятельность?

— Нет, говорить о таких причинно-следственных связях пока рано, так как все это — предмет сложного и многовариантного корреляционного анализа. Поэтому пока что мы не можем заявить, что мозг, в котором много нейронных связей, заставляет человека учиться на несколько лет дольше (или наоборот — что многолетнее обучение увеличивает количество нейронных связей).

Кстати, на данный момент действительно можно распространять причинно-следственные связи в оба направления — это можно назвать «заколдованным кругом».

— В таком случае каким образом вы собираетесь этот «заколдованный круг» разорвать?

— Та работа, которую мы проделали сейчас — сканирование головного мозга при помощи магнитно-резонансной томографии, — может показать лишь то, насколько тесно связаны между собой те или иные области мозга. Она также отражает множество других биологических факторов меньшей важности — например, демонстрирует точное количество нейронов, связывающих эти области. А вот понимание того, как эти связи влияют на поведение, умственные способности, образ жизни человека, — это основной вопрос, который стоит перед сотрудниками проекта Human Connectome Project.

— Стивен, а существует ли корреляция между числом нейронных связей в головном мозге родителей и детей?

— А вот тут я могу однозначно ответить — да. Существует множество доказательств того, что количество нейронных связей, скажем так, передается по наследству. В рамках нашего проекта мы собираемся изучить это явление более глубоко. Хотя, несомненно, существуют и другие важные факторы, которые влияют на функционирование мозга и формирование нейронных связей.

— А возможно ли — хотя бы теоретически — каким-то образом повлиять на количество нейронных связей и таким образом изменить качество жизни человека?

— Об этом очень сложно говорить в общих чертах. Впрочем, существует множество примеров, когда вмешательства в функционирование головного мозга изменяли поведение человека или улучшали какие-то отдельные показатели его работы. О подобном эксперименте можно прочесть, например, в журнале Current Biology: в статье говорится, что ученым при помощи микрополяризации (метода, позволяющего изменять состояние различных звеньев центральной нервной системы действием постоянного тока. — «Газета.Ru») удалось улучшить математические способности испытуемых.

Можно привести и другой, более простой и обыденный пример: мы же все знаем, что обучение и практика в каком-либо виде деятельности помогают улучшить выполнение этой самой деятельности.

Но ведь обучение — по определению — изменяет нейронные связи головного мозга, пусть иногда мы и не в состоянии это зафиксировать.

Что касается вашего вопроса, то проблема глобального изменения поведения или способностей человека остается масштабным и чрезвычайно интересным объектом исследования.

Что такое нейронная сеть? | ForkLog

Что такое нейронная сеть?

Искусственная нейронная сеть — это математическая модель, созданная по подобию биологических нейронных сетей, составляющих мозг живых существ. Такие системы учатся выполнять задачи, рассматривая примеры без специального программирования под конкретное применение.

Они обеспечивают лучшую в своем классе производительность в таких областях, как распознавание речи и изображений, работая с неупорядоченными данными вроде записанной речи и фотографий.

Чем нейросеть отличается от ИИ и МО?

Искусственный интеллект — это обширная отрасль компьютерных наук, сосредоточенная на создании умных машин, способных выполнять интеллектуальные задачи.

Машинное обучение, являясь подразделом искусственного интеллекта, предназначено для решения задачи не прямым способом, а путем поиска закономерностей в данных после обучения алгоритма на множестве примеров.

Нейросети являются подразделом машинного обучения. Как уже упоминалось выше, они умеют делать прогнозы на основе неструктурированных данных.

Из чего состоит нейросеть?

Подобная естественному аналогу искусственная нейросеть состоит из нейронов и синапсов.

Нейрон — это единица, которая получает информацию и производит над ней определенные вычисления. Он является простейшей структурной единицей любой нейросети. Как правило, нейроны упорядочиваются в слои, которые в конечном счете формируют сеть.

Все нейроны работают примерно одинаково. Однако существуют некоторые частные случаи нейронов, выполняющих специфические функции.

Основные типы нейронов:

• входной (input) — слой нейронов, получающий информацию;
• скрытый (hidden) — некоторое количество слоев, обрабатывающих информацию;
• выходной (output) — слой нейронов, представляющий результаты вычислений.

Синапс — это связь, соединяющая выход одного нейрона со входом другого. Проходящий через него сигнал может усиливаться или ослабевать.

Параметром синапса является вес — коэффициент, из-за которого передаваемая информация из одного нейрона другому может изменяться.

Важную роль в архитектуре нейросети играет активатор. Как и в мозге живого организма, он решает, какие сигналы пропускать через нейроны, а какие нет. 

Например, вы взялись за горячий чайник. Нервные окончания на пальцах передадут информацию в нейроны головного мозга, где функция активации примет решение: отдернуть руку от источника тепла или продолжать пропускать сигналы.

Как работает нейросеть?

На входной слой нейронов поступает некая информация, которая по синапсам переходит на следующий слой. При этом каждый синапс обладает собственным коэффициентным весом, а любой следующий нейрон в новом слое может иметь несколько входов. Информация передается дальше до тех пор, пока не дойдет до конечного выхода.

Например, алгоритм распознавания рукописного текста должен иметь возможность справляться с огромным разнообразием способов представления данных. Каждую цифру от 0 до 9 можно записать множеством способов: размер и точная форма каждого символа могут сильно отличаться в зависимости от того, кто пишет и в каких обстоятельствах.

Входному слою подаются значения, представляющие пиксели, которые составляют изображение рукописной цифры. Выходной слой, в свою очередь, предсказывает, какой символ изображен на картинке.

Кружки на схеме представляют собой нейроны, которые организованы в связанные между собой вертикальные слои.

Цвета ссылок также различаются: они обозначают важность связей между нейронами. Красные связи усиливают значение при переходе между слоями, что увеличивает шанс активации нейрона, в который поступает значение.

На схеме активированные нейроны заштрихованы красным. В «Скрытом слое 1» они означают, что изображение рукописной фигуры содержит определенную комбинацию пикселей, напоминающих горизонтальную линию вверху рукописного числа 3 или 7.

Таким образом, «Скрытый слой 1» может обнаружить характерные линии и кривые, которые в конечном итоге объединятся в полную рукописную фигуру.

Как нейросеть обучается?

Модель узнает, какие связи между нейронами важны для успешного прогнозирования во время обучения. На каждом этапе тренировки сеть использует математическую функцию, чтобы определить, насколько точным был ее последний прогноз по сравнению с ожидаемым.

Эта функция генерирует серию значений ошибок, которые могут использоваться системой для расчета того, как модель должна обновлять значение весов, прикрепленных к каждой ссылке, с конечной целью повышения точности прогнозов сети.

В течение многих тренировочных циклов и с помощью периодической ручной настройки параметров сеть будет продолжать генерировать все более точные прогнозы, пока не достигнет максимального значения. На этом этапе, например, когда рукописные цифры можно распознать с точностью более 95%, можно сказать, что нейросеть обучена.

Что такое набор данных?

Набор данных или датасет — это коллекция однотипных данных, необходимых для обучения нейросетей. Например, чтобы натренировать алгоритм распознавания человеческих лиц, ему необходимо показать большое количество фотографий других людей. Чем больше данных — тем точнее алгоритм.

Датасеты бывают трех видов:

• тренировочный (training dataset) — используется при обучении нейросети;
• тестовый (test dataset) — необходим для проверки точности обучения;
• валидационный (validation dataset) — независимый набор данных, использующийся для финальной оценки точности алгоритма.

Данные могут быть любого формата: таблицы, фото, видео, аудио и прочее. При использовании методов обучения с учителем, зачастую данные размечают с помощью специализированного ПО. Однако из-за неточностей в датасетах конечные модели могут содержать ошибки.

Например, в апреле 2021 года специалисты Массачусетского технологического института выяснили, что популярные датасеты содержат множество ошибок. Так, в популярных наборах данных для тестовых проверок точности алгоритмов содержатся изображения, на которых гриб может быть подписан как ложка, лягушка — кошкой, а высокая нота Арианы Гранде в аудиофайле отмечена как свист.

Другое исследование MIT показало, что безответственность работников краудсорсингового маркетплейса Amazon Mechanical Turk препятствуют развитию систем генерации текстов. Дело в том, что им платят за единицу размеченной информации. Как правило, такие работники стараются работать быстро и не особо вникая в достоверность разметки.

Чтобы не допустить такого, исследователи призывают разработчиков соблюдать «гигиену» данных.

При обучении с подкреплением, данные в разметке не нуждаются, так как агент в среде должен самостоятельно отыскать закономерности и получить вознаграждение при достижении цели.

Где используются нейросети?

Нейросети используют для решения многих задач: распознавания и генерации изображений, речи и языка, а также в сочетании с обучением с подкреплением — в играх, от настольных типа го, заканчивая компьютерными Dota 2 или Quake III.

Такие системы являются основой многих современных онлайн-сервисов. Их использует Amazon, чтобы понимать человеческую речь для работы голосового помощника Alexa, или Microsoft для перевода сайта в режиме реального времени прямо в браузере.

Каждый поисковой запрос в Google задействует несколько систем машинного обучения, чтобы понять язык запроса и персонализировать результаты.

Помимо этого, подобные системы начинают находить применение практически во всех отраслях, включая:

• компьютерное зрение для беспилотных автомобилей, дронов и роботов-доставщиков;
• распознавание и синтез речи, а также язык для чат-ботов и сервисных роботов;
• идентификация лиц в системах видеонаблюдения;
• ассистирование радиологам в обнаружении опухолей на рентгеновских снимках;
• помощь исследователям в выявлении генетических последовательностей, связанных с заболеваниями, и определение молекул, способных помочь в создании более эффективных лекарств;
• возможность профилактического обслуживания инфраструктуры путем анализа данных датчиков Интернета вещей и многое другое.

Какие трудности/недостатки у нейросетей?

Одним из больших недостатков нейросетей является количество данных, которые им требуются для обучения. Иногда для достижения высокой точности работы алгоритма датасеты достигают поистине огромных размеров: не так давно Facebook объявил, что использовал один миллиард изображений для достижения рекордной производительности системы распознавания изображений.

Из-за размера наборов данных и количества циклов обучения часто требуется доступ к мощному и дорогостоящему компьютерному оборудованию, оснащенному высокопроизводительными графическими процессорами. Независимо от того, создаете ли вы свою собственную систему или арендуете оборудование на облачной платформе, это так или иначе влияет на стоимость обучения.

Другим вызовом для создания высокоточных моделей являются неточности в наборах данных. Как уже говорилось, люди могут допускать ошибки при создании датасетов, что в той или иной мере может повлиять на итоговый результат.

Какие типы нейросетей бывают?

Всего известно около 30 различных типов нейронных сетей, которые подходят для разных типов задач. Например, сверточные нейронные сети (CNN) обычно используются для задач компьютерного зрения, в то время как рекуррентные нейронные сети (RNN) — для обработки языка.

У каждой свои особенности. В CNN начальные слои специализируются на извлечении различных характеристик из изображения, которые затем передаются в обычную нейронную сеть, позволяющую классифицировать объекты на рисунке.

RNN отличаются тем, что нейроны получают информацию не только от предыдущего слоя, но и от своей рекуррентной связи. Это значит, что сеть обучается запоминать также последовательность поступающих данных.

Сложность RNN заключается в так называемой проблеме исчезающего градиента: сеть быстро теряет информацию с течением времени. Хотя это влияет только на веса, а не на состояние нейронов, но информация накапливается именно в них.

Генеративные состязательные сети (GAN) состоят сразу из двух нейросетей: генератора, который создает контент, и дискриминатора, оценивающего его.

Сеть-дискриминатор получает обучающие или созданные генератором данные. Степень угадывания дискриминатором источника данных в дальнейшем участвует в формировании ошибки.

Таким образом, возникает состязание между генератором и дискриминатором: первый учится обманывать второго, а второй — раскрывать обман. Обучать такие сети сложно, поскольку нужно не только обучить каждую из них, но и настроить между ними баланс.

Типичное применение GAN-архитектур — стилизация фотографий, создание дипфейков, генерирование аудиофайлов и прочее.

Приведет ли нейросеть к созданию общего ИИ?

В настоящее время нейросети используются для решения узкоспециализированных задач, что соответствует определению слабого ИИ.

На сегодня не существует моделей, которые можно было бы рассматривать как общий искусственный интеллект, способный решать такой же широкий спектр задач и с таким же пониманием, что и человек. Когда такие системы будут разработаны, неизвестно. Согласно некоторым прогнозам, они могут появиться в течение ближайшего десятилетия, а по другим — не раньше, чем через 1000 лет.

Подписывайтесь на новости ForkLog в Telegram: ForkLog AI — все новости из мира ИИ!

Нашли ошибку в тексте? Выделите ее и нажмите CTRL+ENTER

Применение нейронных сетей для решения задач автоматического целеуказания в системах видеонаблюдения

В рубрику «Видеонаблюдение (CCTV)» | К списку рубрик  |  К списку авторов  |  К списку публикаций

Применение нейронных сетей для решения задач автоматического целеуказания в системах видеонаблюдения

Теодор В. Бергер
Профессор Университета Южной Калифорнии (США)

Что такое нейронная сеть

В последнее время все чаще стали говорить о нейронных сетях. Развиваются целые сегменты математики, изучающие нейронные сети, а на основе созданных моделей строятся различные автоматические системы анализа и распознавания информации. Остановимся кратко на тех принципах, которые заложены в автоматических нейронных сетях.

Нервная система и мозг человека состоят из нейронов, соединенных между собой нервными волокнами. Нервные волокна способны передавать электрические импульсы между нейронами. Все процессы передачи раздражений от нашей кожи, ушей и глаз к мозгу, процессы мышления и управления действиями — все это реализовано в живом организме как передача электрических импульсов между нейронами. Рассмотрим строение биологического нейрона. Каждый нейрон имеет отростки нервных волокон двух типов: дендриты, посредством которых принимаются импульсы, и аксон (он единственный), по которому нейрон может передавать импульс. Аксон контактирует с дендритами других нейронов через специальные образования — синапсы, которые влияют на силу импульса. Можно считать, что при прохождении синапса сила импульса меняется определенное число раз, которое называют весом синапса. Импульсы, поступившие к нейрону одновременно по нескольким дендритам, суммируются. Если суммарный импульс превышает некоторый порог, нейрон возбуждается, формирует собственный импульс и передает его далее по аксону. Важно отметить, что веса синапсов могут изменяться со временем, а значит, меняется и поведение соответствующего нейрона.

Таким образом, создание автоматических систем на основе нейронной сети заключается в выборе архитектуры сети и подборе весов сети. Подбор весов — это «обучение» сети. Получается, что нейронные сети представляют собой нечто среднее между центральным процессором и человеческим мозгом.

Основные понятия

Сведем воедино основные понятия, применяемые в нейронных сетях. Нейронная сеть — это вычислительная или логическая схема, построенная из однородных процессорных элементов, являющихся упрощенными функциональными моделями нейронов. Как правило, передаточные функции всех нейронов в нейронной сети фиксированы, а веса являются параметрами нейронной сети и могут изменяться.

Некоторые входы нейронов помечены как внешние входы нейронной сети, а некоторые выходы — как внешние выходы. Подавая любые числа на входы нейронной сети, мы получаем какой-то набор чисел на выходах нейронной сети. Таким образом, работа нейронной сети состоит в преобразовании входного вектора в выходной вектор, причем это преобразование задается весами нейронной сети. Формальный нейрон в нейронных сетях — это процессорный элемент, преобразователь данных, получающий входные данные и преобразующий их в соответствии с заданной функцией и параметрами. Формальный нейрон работает с дискретным временем.

Синапс в нейронных сетях — это связь между формальными нейронами. Выходной сигнал от нейрона поступает в синапс, который передает его другому нейрону. Сложные синапсы могут иметь память. Синапсов в нейронной сети, как правило, достаточно много (до нескольких сотен).

Сумматор в нейронных сетях — это блок, суммирующий сигналы, поступающие от нейронов через синапсы. В общем случае сумматор может преобразовывать сигналы и передавать их нейронам или сумматорам тоже через синапсы.

Краткая история исследования нейронных сетей

История исследования нейронных сетей помнит взлеты и падения. Первый всплеск исследовательского энтузиазма приходится на 1940-1960-е гг. Его можно связать с работами Дж. фон Неймана по концептуальному сравнительному анализу работы биологических нейронных сетей и компьютеров и по разработке принципов построения надежных вычислительных систем из ненадежных компонент (фактически формальных нейронов). Сравнительно небольшой прогресс нейрокибернетики (особенно в области практического применения) 1940-1960-х гг. привел к тому, что период энтузиазма сменился периодом спада активности исследований искусственных нейронных сетей. Многие исследователи ушли в те области, которые показались им более привлекательными. Однако в середине 1980-х гг. снова возник нейросетевой бум. Причиной бума, по-видимому, послужил постоянный интерес человечества к изучению работы нервной системы и ряд новых интересных моделей, разработанных к этому времени. Одной из таких «стимулирующих» моделей стали работы, которые позволили привлечь методы теоретической физики к исследованию нейронных сетей. Во второй половине 1980-х гг. был предложен целый ряд интересных и содержательных моделей нейронных сетей. В моделях строятся нейросети, выполняющие различные алгоритмы обработки информации: ассоциативная память, категоризация, то есть разбиение множества образов на кластеры, состоящие из подобных друг другу, топологически корректное картирование, распознавание зрительных образов, инвариантное относительно деформаций и сдвигов в пространстве решение задач комбинаторной оптимизации. Хотя ряд исследований и был посвящен анализу характеристик нейронных сетей с целью понимания свойств естественных нейронных систем, однако, в отличие от первой волны, подавляющее количество работ относилось к исследованию алгоритмов нейросетей с прагматическими целями, что позволило привлечь дополнительные финансовые ресурсы для их поддержки. Все это привело к тому, что в 1990-х гг. нейросетевые автоматические системы прочно вошли в инженерный обиход, и сейчас продолжается активная работа по их реализации для различных задач анализа и распознавания информации.

Динамическая синапсовая нейронная сеть (DSNN)

Дерзание свойственно человеку еще со времен мифологического Прометея. Почему бы нам не улучшить решение, найденное природой? Еще раз напомним, что традиционная нейронная сеть, созданная на основе биологического прототипа, имеет единственный выход от каждого нейрона. А что если перейти к модели, когда каждый нейрон имеет много выходов? Так родилась идея построения динамической синап-совой нейронной сети (DSNN), которая показана на рис. 1.

В DSNN отдельные нейроны передают обработанную информацию в виде изменения в целой серии точечных событий (логика «все или ничего»), а соединения между отдельными нейронами моделируются как динамический процесс с различными временными параметрами, полученными на основании экспериментальных исследований в ходе «обучения» системы распознаванию той или иной информации. Эти временные параметры определяют динамику изменений в каждом синаптическом соединении и в конечном результате синаптический выход всей системы становится временной функцией, зависящей от происходящих на входе сети событий.

Таким образом, каждая последовательность событий на входе сети приводит к соответствующей последовательности событий на ее выходе. Поскольку каждый нейрон имеет несколько соединений и поскольку все они различны, DSNN позволяет нейрону кодировать и передавать пространственно-временной сигнал, который в принципе дает экспоненциальный рост информационной емкости системы по сравнению с традиционной.

Мы разработали алгоритм обучения, позволяющий оптимизировать передаточную функцию с каждым повтором входного события, что позволяет выявить неизменные составляющие в этом событии и «настроить» сеть на надежное распознавание этого события вне зависимости от влияния посторонних событий (шумов) на входе сети. Таким образом, концепция и архитектура DSNN ярко контрастирует с формализмом традиционных нейронных сетей (Artificial Neural Network -ANN), который оперирует со статическими коэффициентами (синаптическими весами), что позволяет с помощью обучения автоматически оптимизировать статические веса и каждому нейрону передавать одинаковые сигналы на все нейроны, соединенные с ним. Преимущества рассматриваемой модели можно продемонстрировать на основе проведенного нами эксперимента. Мы обучили распознаванию определенного звука системы, построенные на DSNN- и ANN- (best alternative) моделях, и измерили коэффициент распознавания ими этого звука при различных уровнях шумов. Результат наших измерений показан на рис. 2 (Human — коэффициент распознавания этого звука человеком). Думаю, никто не станет возражать, что преимущество DSNN-архитектуры очевидно.

Автоматическое целеуказание в системах видеонаблюдения

Одним из практических применений процессоров, построенных по архитектуре DSNN, является использование их для реализации автоматического целеуказания в системах видеонаблюдения. Мы «обучили» такой процессор распознаванию звука выстрела из различных видов огнестрельного оружия и разработали на его основе устройство, имеющее входы для параболического микрофона и выход для управления поворотной телевизионной камерой. Структурная схема этой системы показана на рис. 3.

Система устанавливается в местах возможных инцидентов с применением огнестрельного оружия, и в случае криминальной ситуации она автоматически распознает звук и направление выстрела, разворачивая камеру к источнику выстрела. Одновременно посылается сигнал в соответствующие компетентные органы. Таким образом, мы получили круглосуточного полицейского, которому не требуется ни пища, ни отдых. Мы совместно с местными инсталляторами систем безопасности установили нашу систему в ряде криминогенных городских зон США и получили впечатляющее снижение уровня уличной преступности. Экспериментальный радиус устойчивого действия системы достигал двух городских кварталов.

Разумеется, это только одно из возможных практических применений технологии DSNN. Сеть можно «обучить» распознаванию практически любой необходимой последовательности входных событий. От сложности решаемой задачи зависит в основном только время, которое необходимо потратить на «обучение» системы (отсчет здесь начинается от нескольких месяцев), поскольку именно в процессе обучения сеть оптимизирует себя под выявление конкретного события.

В заключение можно добавить, что возможности применения технологии DSNN огромны, они ограничиваются только человеческим воображением.

Опубликовано: Журнал «Системы безопасности» #1, 2006
Посещений: 16389

В рубрику «Видеонаблюдение (CCTV)» | К списку рубрик  |  К списку авторов  |  К списку публикаций

Ученые выяснили, как шум влияет на нейронные сети

Системы из связанных между собой элементов встречаются практически во всех областях и представляют особый интерес как объекты математического моделирования. Ими являются и нейронные сети, выполняющие самые различные задачи; их природный прототип и вовсе отвечает за все наши мыслительные процессы. Наиболее распространены осцилляторные нейронные сети (в том же мозге), состоящие из колеблющихся (осциллирующих) элементов. Процессы внутри таких систем могут быть предсказуемыми или же случайными — тогда сеть называют стохастической.

Однако нет гарантий, что система будет слаженно работать всегда: на нее могут влиять внешние шумы. Так именуют колебания различной природы, способные изменить динамику работы нейронной сети. Например, в мозге функции элементов системы обусловлены активностью ионных каналов, открывающихся и закрывающихся в ответ на определенные сигналы. Соответственно, они пропускают или блокируют поток ионов. Но всегда есть вероятность, что канал может сработать не «в такт» или в процесс взаимодействия ионов вмешается шум. В зависимости от чувствительности, система может продолжить в своем обычном режиме, сбиться или вовсе изменить свою динамику.

В этой работе ученые анализировали чувствительность систем к случайным воздействиям. Физики изучили три основных варианта нейронной связи и влияние шума на них: равновесные подсистемы, периодические осцилляторы и хаотические осцилляторы. В первой ситуации с увеличением сил взаимосвязи нейронная система переходит из равновесного в колебательный режим с противофазной динамикой. Случайный шум, который «услышит» система, может разрушить синхронизацию в ней. Для второго варианта было доказано, что даже под влиянием шума система сохраняет противофазную и синфазную динамику, при этом противофазный режим может приобретать хаотический характер. Третий случай интересен тем, что с усилением связи хаотические осцилляции могут трансформироваться в регулярные периодические.

Ученые исследовали синхронизацию на основе только стохастических систем, а в целом насчитывают около 40 видов нейронной синхронизации. Синфазная и противофазная синхронизация играет основную роль в том, как наш мозг будет функционировать. Из-за того, что процессы в таком взаимодействии могут быть случайными, динамика колебаний в таких системах очень сложная. На процесс синхронизации также могут влиять серьезные заболевания и мозговые нарушения, например, болезнь Паркинсона, Альцгеймера, эпилепсия, тремор.

«В нашей модели исследовались аддитивный шум и его влияние на нейронные системы. Этот шум проходит через каналы в нейронных сетях. Но есть также мультипликативный шум, мы не можем утверждать, какое именно влияние он будет оказывать на нейронные связи, и к какой динамике приводить в ситуации, когда к внутреннему шуму будет примешиваться и внешний. Было бы очень интересно сделать эту тему предметом будущих работ», — рассказывает профессор кафедры теоретической и математической физики УрФУ Лев Ряшко.

Изучен ключевой фактор формирования нормальных нейронных сетей

Сотрудники Института биологии и биомедицины ННГУ им. Н.И. Лобачевского исследовали особенности развития и функционирования нейронных сетей культуры клеток головного мозга мыши в условиях хронической активации и блокады одной из наиболее значимых для нейронов систем — тирозинкиназных рецепторов В типа. Они необходимы для реализации функций сигнальной молекулы под названием нейротрофический фактор головного мозга, связанной с развитием и адаптацией клеток головного мозга к неблагоприятным факторам, влиянием на архитектуру нейронной сети и ее функциональные перестройки.

Понимание принципов формирования нейронных сетей и адаптивных возможностей нервной системы позволит создать в недалеком будущем фундаментальную платформу для разработки эффективного способа коррекции различных патологий центральной нервной системы, в том числе ишемии и нейродегенеративных заболеваний.

Ученые провели функциональные и структурные исследования нейронных сетей в культурах клеток головного мозга, а также провели анализ биологических данных и выявили значимые изменения структуры нейронной сети при воздействии на систему TrkB рецептора. Они смогли спрогнозировать эффекты, оказываемые этой системой на нейронные сети. Авторы продемонстрировали, что активация системы TrkB рецепторов посредством ежедневного добавления в культуру клеток фактора BDNF приводит к формированию более сложных функционально активных нейронных сетей с высоким уровнем эффективности передачи нервных импульсов по сети. Ученые предполагают, что система TrkB рецепторов может играть ключевую роль в реализации высших функций нервной системы, таких как научение и память.

Полученные результаты важны не только для понимания фундаментальных механизмов работы мозга, но и обладают медицинским потенциалом. В частности, они являются важной частью дальнейших комплексных исследований по разработке новых методов диагностики и терапии центральной нервной системы в условиях стресса.

Понравился материал? Добавьте Indicator.Ru в «Мои источники» Яндекс.Новостей и читайте нас чаще.

Пресс-релизы о научных исследованиях, информацию о последних вышедших научных статьях и анонсы конференций, а также данные о выигранных грантах и премиях присылайте на адрес [email protected].

что могут нейронные сети и как они изменят нашу жизнь?» – Бизнес – Коммерсантъ

19 декабря в рамках лекционного проекта Фонда Егора Гайдара состоялось выступление кандидата физико-математических наук, руководителя проекта iPavlov и заведующего лабораторией нейронных систем и глубокого обучения Московского физико-технического института (МФТИ) Михаила Бурцева, в рамках которого он рассказал о перспективах построения искусственного интеллекта, работающего по образцу человеческого мозга. Модератором мероприятия выступил экономический обозреватель Борис Грозовский. Подробности лекции эксперта — в видео “Ъ” и стенограмме доклада.

Фонд Егора Гайдара при информационной поддержке “Ъ” запустил курс лекционного проекта «Экономический факультет» «Экономика наступившего будущего». В курс вошли четыре лекции, посвященные высоким технологиям,— криптовалютам, блокчейну, искусственному интеллекту и нейронным сетям, большим данным.

Первая лекция цикла «Экономика наступившего будущего», посвященная криптовалютам, состоялась 21 ноября. Подробнее — в материале “Ъ” «Криптовалюты: новая экономика или новая пирамида?» .

Вторая лекция состоялась 5 декабря и была посвящена перспективам внедрения искусственного интеллекта. Подробнее — в материале “Ъ” «Человек и машина — выгодный союз или жесткая конкуренция?» .

Стенограмма лекции

Когда меня пригласили прочитать лекцию, мне очень понравилось название цикла — «Экономика наступившего будущего». Я занимаюсь нейросетями больше десяти лет, но последние два-три года часто возникает ощущение, что будущее неотвратимо наступает. В этом плане название цикла как нельзя лучше отражает то, о чем я хотел бы рассказать и что мы могли бы пообсуждать после лекции. Соответственно, я планирую рассказать вам о том, что собой представляют нейронные сети и как они используются сегодня для создания интеллектуальных систем. Было также заявлено «как они изменят нашу жизнь», но об этом мы как раз сможем поговорить в более интерактивной форме, потому что тут, я думаю, вопрос открытый. Мне самому интересно, какие вы видите возможности, которых не вижу я.

Давайте начнем с того, что же такое искусственный интеллект. Попробуем определить предмет, про который мы говорим. Классическое определение искусственного интеллекта — это построение некоторых машин, которые будут обладать интеллектом, сопоставимым с интеллектом человека. Но возникает вопрос: зачем мы этим занимаемся? Зачем общество этим занимается? Здесь, мне кажется, есть две грани. Первая грань — это прикладная цель, которая в первую очередь приходит в голову, когда мы слышим об искусственном интеллекте. Мы хотим получить помощника, который, скажем так, дополнит наш естественный интеллект, позволив нам решать какие-то задачи. Как калькулятор сильно упростил нам жизнь, позволив сделать то, что еще сто лет назад считалось сильно интеллектуальным,— умножение, сложение, деление больших чисел. Это предок искусственного интеллекта. Вторая грань — если мы посмотрим на искусственный интеллект как на фундаментальную программу исследования, то на самом деле, так как мы хотим построить машину, сопоставимую по интеллекту с человеком, то мы неизбежно задаемся вопросом: что же представляет собой интеллект человека? Как говорил Ричард Фейнман: «Чтобы что-то понять, мне нужно знать, как это построить». Так и здесь. Строя искусственный интеллект, мы в каком-то смысле лучше разбираемся, как устроен естественный интеллект. И в этом смысле мы проникаем в область философии, то есть мы разбираемся с природой человека. Как устроен человек, какие у него мотивы, почему он ведет себя тем или иным образом. То есть это очень интересно именно с исследовательской точки зрения. Это, как мне кажется, основные причины, почему мы занимаемся искусственным интеллектом.

Давайте вкратце рассмотрим, как вообще мы можем строить искусственный интеллект. Представьте, что вы стали организатором проекта по созданию искусственного интеллекта. С чего вы начнете? Какие есть варианты? Первое — взломать голову. Мы исследуем, как состоящий из нейронов мозг решает какую-то задачу, и потом, понимая принципы, как эти составные части взаимодействуют, строим работающий алгоритм. То есть мы будем строить модель мозга из нейронов, и, соответственно, у нас получится искусственная нейронная сеть. Второй путь — разобраться, что такое интеллект. Мы можем взять людей, которые решают интеллектуальные задачи, и сверить процесс. Как они это делают, какие приемы используют, в какой момент у них возникает, например, доказательство математической теоремы. Потом мы попытаемся построить некую модель решения интеллектуальных задач, формализуем ее и будем пытаться запустить на компьютере, чтобы она порождала такие же интеллектуальные результаты. Это два основных подхода к тому, как вообще люди делают искусственный интеллект: один основан на моделировании биологической системы мозга, а второй — на рассуждении человека. Это то, что называется «символьный искусственный интеллект», а до недавнего времени называлось «традиционный искусственный интеллект» или «искусственный интеллект», но сегодня происходит переход с понятия «символьного искусственного интеллекта» на понятие «нейросетевой».

Вкратце история — как вообще появилось такое направление исследований, как искусственный интеллект. В середине прошлого века Норберт Винер придумал науку, которая называлась кибернетикой. Это наука, которая попыталась формализовать и построить модель организации, при этом отделив саму модель организации от субстрата, на которой эта организация может разворачиваться. То есть это может быть организация клеток в организме, может быть организация людей в обществе или организация каких-то механических артефактов, которые образует искусственный интеллект. Соответственно, зарождение искусственного интеллекта началось с кибернетики, с построения робототехнических машин, которые могли решать какие-то задачи. Они могли ехать на свет или, наоборот, прятаться от света, объезжать препятствия. Когда появились компьютеры, это открыло возможность для появления искусственного интеллекта именно в том виде, в котором мы его наблюдаем сегодня — как некоторой программы, которая управляет компьютером и может, например, давать осмысленные ответы. Бурная попытка применить алгоритм искусственного интеллекта к решению практических задач показала, что какие-то простые задачи мы можем решить достаточно быстро даже на тех примитивных компьютерах, которые появились в середине 1950-х — начале 1960-х годов. Одно из известных достижений того времени — программа «Логик-теоретик», которая на основании аксиомы смогла доказать все теоремы школьной геометрии.

У людей были очень высокие ожидания. Можно сказать, что был такой хайп искусственного интеллекта. Военные и правительства вкладывали кучу денег, и это вылилось в то, что мы называем «золотые годы искусственного интеллекта». Параллельно в тени развивался наш нейросетевой искусственный интеллект. При этом если мы почитаем, какие прогнозы давали ведущие исследователи в то время, то увидим, что в 1960-е годы они говорили, что через десять лет компьютер сможет выполнять работу среднестатистического человека. Такие заявления делались на регулярной основе всеми, и понятно, почему им давалось так много денег. Кто откажется от того, чтобы у него был робот, который через десять лет будет делать все, что делает человек? В связи с этим так же понятно, почему исследования искусственного интеллекта были заморожены. Когда те люди, которые давали деньги, через десять лет не увидели того, что им обещали, они решили, что все это пустое, и прикрыли финансирование.

Несмотря на это было наработано достаточно большое количество алгоритмов и подходов к решению задач. И они оказались применимы в некоторых узких областях. Оказалось, что можно построить экспертные системы на основании некоторых входных данных и описывающих ее состояние фактов и, например, диагностировать какие-то заболевания. В результате к искусственному интеллекту на некоторое время вернулись, но при этом сами системы не получили широкого распространения. То есть удалось закрыть несколько предметных областей, а дальше развитие уперлось в потолок. Одновременно возродился интерес к искусственным нейронным сетям, возникли всякие модели параллельных распределенных вычислений и так далее. И здесь удалось получить различные результаты по кластеризации и нейросетевой памяти. Но эти исследования так и остались в основном в рамках исследовательских лабораторий.

Начиная с конца 1990-х годов и до последнего времени в течение двадцати лет, мы наблюдали такую вялотекущую ситуацию, когда слово «искусственный интеллект» вышло из употребления нормальными учеными. Считалось, что если кто-то говорит, что он занимается искусственным интеллектом, это, наверное, не профессиональный ученый, а такой увлекающийся мыслитель-любитель, который пытается что-то сочинить. То есть человек не мог признаться, даже если он занимался искусственным интеллектом, что он занимается искусственным интеллектом. Поэтому это стали называть машинным обучением. Что значит машинное обучение? Это такой прагматический подход. Допустим, у нас есть набор методов — математическая статистика, методы оптимизации и так далее. Мы будем их использовать для решения практических задач и все это назовем машинным обучением. При этом удалось решить много интересных прикладных задач, и так продолжалось до 2012 года. А в 2012 году появился замечательный термин — «глубокое обучение».

Оказалось, что начиная с середины 2000-х годов нейросети снова стали набирать эффективность и показывать в лабораториях хорошие результаты. Есть задача категоризации изображений, когда имеется несколько миллионов изображений и тысяча категорий, и вам нужно по изображению определить, к какой категории оно относится. Соответственно, в 2010 году самый лучший алгоритм такой классификации давал ошибку около 27%. Но между 2010 и 2012 годом произошло очень сильное падение этой ошибки. То есть алгоритмы стали качественно лучше решать эту задачу. И если человек неправильно классифицирует изображения в конкретном наборе в 5% случаев, то алгоритм тогда делал 4,5% ошибок, а сейчас — уже 3%. Такой быстрый прогресс в данной области был связан с тем, что как раз здесь были впервые применены нейросетевые методы. А затем уже каждое решение, которое улучшало результат предыдущего года, было основано на нейросетях. Почему они называются глубокими, мы узнаем позже.

Так что же такое искусственные нейронные сети? Давайте попробуем разобраться. Начнем с того, что посмотрим, как устроены естественные нейронные сети. Обычно для этого изучается мозг лабораторных мышей С57black6 — такая линейка черных мышей. Одна из областей мозга называется гиппокамп. Чем она интересна? Тем, что это область, от которой очень сильно зависит эпизодическая память. В гиппокампе есть подобласть, которая называется «зубчатая фасция». Она позволяет распознавать очень близко лежащие друг к другу контексты, и, что самое интересное, в этой области происходит нейрогенез. То есть там на протяжении всей жизни у взрослого животного рождаются нейроны. Утверждение, что нейроны не восстанавливаются, на самом деле ошибочно — в мозге человека и других животных нейроны делятся и растут.

Что собой представляют отдельные нейроны гранулярного слоя зубчатой фасции? Нейрон состоит из трех частей: продолговатое тело клетки, дендритное дерево, которое принимает сигналы от других клеток, и тонкий отросток, так называемый аксон, который позволяет передавать информацию другим клеткам. Как это происходит? На дендритном дереве есть отростки, которые называются шипиками. На концах этих шипиков — синапсы. Из аксонов выбрасывается некоторое химическое вещество, которое называется нейромедиатором. Везикулы, которые наполнены нейромедиаторами, соединяются с мембраной и выбрасываются в межклеточное пространство. Чтобы почувствовать этот сигнал, нам нужно, чтобы другая клетка получила эти химические молекулы и каким-то образом почувствовала их. Для этого между клетками устанавливается так называемый синапс — такое уплотнение, в котором молекулы, специальные клеточные адгезии, связывают мембраны двух клеток. Также сюда вставляются рецепторы — это молекулы, которые позволяют определить, что присутствуют какие-то химические вещества. Таким образом, в синаптическую щель между двумя мембранами выбрасывается некоторое химическое вещество, молекулы, которые находятся на мембране постсинаптического нейрона, чувствуют это вещество, и сигнал передается внутрь клетки. Сигналы с разных частей нашего дендритного дерева собираются на теле, и клетка может, например, в какой-то момент решить, что она должна послать сигнал другим клеткам, которые находятся в мозге.

Теперь представьте, что в вашем мозге 80 млрд клеток шлют друг другу химические сигналы, и вы ощущаете, например, удовольствие от того, что придумали стихотворение, или вы наслаждаетесь какой-то прекрасной мелодией, или вы влюбились в кого-то. Все это определяется взаимодействием между этими клетками. А когда вы изучаете что-то новое, ваша память об этом новом и то знание, которое вы приобретаете, сохраняется в контактах. То есть клетки усиливают контакты друг с другом, как-то их модифицируют, и за счет этого мы можем обучаться, что-то помнить, чувствовать и управлять нашим поведением.

Теперь давайте попробуем смоделировать наш мозг. Как будет выглядеть простейшая, самая примитивная модель нервной клетки. Сверху у нас есть дендритное дерево, там же входы некоторого нашего алгоритма. На вход подаются значения Х1, Х2 Х3, Х4 и Х5. Число пропорционально тому объему нейромедиатора, который на нас выбросила другая клетка. Понятно, что какие-то клетки в момент времени могут этого вещества выбросить больше, какие-то — меньше. Соответственно, каждый раз эти Х1, Х2 Х3, Х4 и Х5 могут быть разными. Но чтобы почувствовать эти молекулы, нам нужен рецептор с другой стороны. Потому что если рецепторов ноль, то сколько бы на нас ни выбрасывали этого химического вещества, наша клетка ничего не почувствует. Чтобы смоделировать нашу чувствительность к этому веществу, мы ее описываем при помощи некоторого коэффициента W. Это называется — вес связи. Соответственно, если значение большое и вес большой, то мы их перемножаем и получаем большое влияние данного входа на нашу активность. Если же химический сигнал, который нам послали, нулевой, несмотря на то, что в другом месте может быть хороший синапс, то этот вход никак не повлияет на нашу активность. С другой стороны, при одинаковом объеме нейромедиатора тот вход, который имеет больший вес, сильнее повлияет на активность нашего нейрона.

То есть что мы делаем? Мы считаем, насколько каждый вход повлиял на нашу активность — просто берем, суммируем, перемножаем каждое значение на вес и подсчитываем их сумму. Затем мы должны определить Y. Обычно в машинном обучении то, что у нас поступает на вход нашей программы, называется Х, а то, что мы получаем на выходе — Y. Чтобы посчитать наш Y, делаем некоторое преобразование и рассчитываем функцию от суммы воздействия для того, чтобы смоделировать пороговое действие нейрона. То есть пока у нас порог воздействия не преодолен, наш нейрон не активен. Когда эта суммарная активность превышает порог, то в зависимости от функции — она называется функцией активации — мы можем регулировать порог, например, смещением, которое обычно называется W. При этом мы можем посчитать, какой выход будет у нашего нейрона. Обычно если у нас порог, про который я говорил, превышен, то значение Y будет большим, ну или стремиться к единице, а если маленьким, то будет либо минус единица, либо ноль, либо уходить в минус бесконечность, в зависимости от того, какую активационную функцию мы выберем.

Хорошо, мы поняли, что представляет собой отдельный нейрон. Но мозг состоит не из одного нейрона — у нас 80 миллиардов, а у мыши несколько сот миллионов. Теперь мы должны объединить эти нейроны в сеть. Что у нас происходит? Когда мы погружены в окружающий мир, то если мы посмотрим на зрительную систему, то у нас есть палочки, колбочки, фотоактивируемые клетки, которые в зависимости от того, сколько на них попало света, моделируют свою активность. Естественно, затем эти сигналы передаются по цепочке все глубже в мозг, и мозг пытается восстановить картину мира, который нас окружает. Соответственно, у нас есть входной слой нашей сети и есть некоторый скрытый слой. То есть вы идете по улице, переходите улицу, обернулись и вдруг увидели, что на вас мчится машина. У вас сигнал поступил, перешел в скрытый слой, ваша модель мира сработала и предсказала, что машина может в вас врезаться, если вы не ускорите шаг или не отскочите назад. И есть выходные элементы. Это мотонейроны, которые управляют вашим движением. Они приводят к изменению поведения — вы не идете спокойно, а пытаетесь отскочить в сторону или как-то грозите кулаком водителю, то есть предпринимаете какие-то действия. Таким образом, мы строим из наших нейронов многослойную нейронную сеть. Чем больше у нее слоев, тем она глубже. Поэтому глубокие сети — это те сети, в которых больше пяти, может быть, сотни слоев и очень много нейронов. Так мы принимаем решения.

Давайте немного упростим задачу, скажем, на примере классификации изображений. Как мы ее рассматриваем? У нас есть изображение. Что мы будем подавать на вход нашей нейросети? Мы будем подавать описание пикселей. То есть если у нас есть изображение 10х10, то там 100 пикселей. Предположим, у нас есть красный, зеленый и синий — соответственно, у нас есть 300 значений: Х1, Х2 — и до Х300. Предположим, мы решаем задачу: у нас есть много изображений, и нам для нашего бизнеса необходимо отличать кошек от Незнайки. Кошку мы пропускаем, а Незнайку не пропускаем. Потому что кошка должна ловить в подвале мышей, а Незнайка может сломать водопровод. Мы строим систему видеонаблюдения, где на вход подаем изображение, и есть два выхода — система должна выдать 1, если Незнайка, и 0, если кошка.

Чем задается правильность функционирования сети? Функция активации обычно фиксирована, соответственно, у нас есть пороги и W — вот эти веса. Вначале, когда у нас есть фотографии, мы не знаем, какие веса соответствуют в этой сети правильному решению. Нам нужно подобрать эти веса таким образом, чтобы ошибка по отличению Незнайки от кошки была минимальной. Здесь мы видим, чем нейросеть отличается от стандартного программирования. Потому что если программирование стандартное, мы подойдем к этой задаче как ИТ-программист: «Ага, я должен придумать, по каким признакам кошка отличается от Незнайки. Потом я напишу программу, которая в изображениях будет искать эти признаки кошки или Незнайки и при помощи условий — вот это кошка, вот это Незнайка — вычислять эту функцию». Мы же говорим, что мы не хотим знать, чем кошка отличается от Незнайки, нам плевать. Мы сделаем специальный алгоритм обучения, который сам построит такую функцию, которая будет решать нашу задачу. То есть мы не пишем программу руками, а мы как бы обучаем программу получать тот функционал, который нам необходим.

Как мы это будем делать? У нас есть некоторый набор примеров, это называется обучающая выборка, чем больше примеров, тем лучше. Например, у нас есть 10 тыс. изображений Незнайки и 10 тыс. изображений кошки, которых мы уже сфотографировали и для которых мы уже заранее знаем, где кошка, а где Незнайка. Теперь мы хотим на основе этих изображений подобрать веса таким образом, чтобы, когда у нас появятся новые изображения кошки и Незнайки, которых мы никогда не видели, система все равно могла их различить. Мы это делаем так. Сначала мы эти веса задаем случайным образом и начинаем подавать на вход изображения. Как вы думает, что будет на выходе, если мы зададим веса случайным образом? Можно назвать это бардаком. Система будет случайно называть ответ. И тут мы переходим к самой интересной части нейронных сетей — к так называемому алгоритму обратного распространения ошибки.

Как мы можем изменять веса? Мы их можем изменять следующим образом. Мы подали картинку, рассчитали все активности всех нейронов сначала в одном слое, потом в другом, и так во всех промежуточных слоях, пока не дойдем до выхода. На выходе мы имеем некоторый ответ, где Незнайка, а где кошка. Мы сравниваем тот ответ, который дала нейронная сеть, с тем ответом, который является у нас истинным. Потому что мы уже знаем все ответы для всех картинок в обучающей выборке. И рассчитываем ошибку. Если, например, у нас на выходе было 0,5, а нужно, чтобы была единица, следовательно, у нас ошибка минус 0,5. То есть мы как бы говорим о том, что нам не хватает минус 0,5 для того, чтобы дать правильный ответ по данному выходу. Или, наоборот, если у нас был слишком маленький выход, а мы его хотим увеличить, то у нас будет положительная ошибка. Затем нам нужно как-то учесть вклад весов в эту ошибку. Теперь нам надо узнать, как эти два нейрона и два веса повлияли на вклад в ошибку. Какие допущения мы можем сделать, чтобы посчитать разницу, насколько нам нужно каждый из весов изменить? На самом деле, мы видим, во-первых, активность этих нейронов, во-вторых, вес, и можем посчитать, какой из нейронов какой вклад в эту ошибку внес. Например, если этот нейрон не был активен, он был равен нулю, то он никакого вклада в эту ошибку не внес. С другой стороны, чем более активен нейрон, тем больший вклад он внес. Но если они были одинаково активны, то больший вклад в ошибку внес тот, у кого вес больше. Соответственно, изменение веса должно быть пропорционально ему самому, плюс пропорционально активности нейрона с предыдущего слоя и пропорционально производной нашей функции активации. Почему важна производная? Потому что мы можем вес как увеличить, так и уменьшить. И чтобы сместиться в правильную сторону, нам нужно учесть производную.

Значит, раньше у нас была ошибка только на выходе. Теперь мы посчитали ошибку для первого слоя нашей нейросети. Теперь вопрос в том, как мы посчитаем ошибку для следующего слоя? Мы применяем тот же самый метод, пока не дойдем до самых первых весов. Таким образом, у нас ошибка как бы растекается по нашей нейросети и веса корректируются. Этот алгоритм получил название метода обратного распространения ошибки, потому что ошибка распространяется как бы от выхода к началу. И это очень мощный алгоритм (метод обратного распространения ошибки.— “Ъ”), потому что его придумали в начале 1970-х годов, и с тех пор все нейросети только этим алгоритмом тренируются. То есть все, что я буду сегодня рассказывать, натренировано алгоритмом, который принципиально работает по такому же принципу. Как я говорил, нейросети возникли еще в 1950-х годах, но для того, чтобы изобрести этот алгоритм, потребовалось двадцать лет. А после понадобилось еще двадцать-тридцать лет, чтобы возникло глубокое обучение. Там были собственные проблемы. Все те архитектуры, которые вы сегодня увидите, очень сложные. Они все натренированы алгоритмом обратного распространения ошибки. Самые сложные пытаются даже смоделировать машину Тьюринга, то есть сделать универсальный компьютер на нейросетях.

Почему нейросети вдруг стали настолько эффективны? Оказалось, что нейросетевые методы проигрывают классическим методам статистики, если данных мало. Если у вас есть десять картинок Незнайки и десять картинок кошки, то нейросети применять бессмысленно. Вы не сможете их натренировать и не сможете получить хорошее качество работы. Однако если у вас есть 10 тыс. Незнаек и 10 тыс. кошек, то здесь нейросети побьют любые алгоритмы, построенные на классических методах. Пятнадцать лет назад ни у кого не было достаточных вычислительных мощностей, чтобы строить и обрабатывать большие нейронные сети, да и больших объемов данных, на которых можно было бы обучаться, не было. Только поэтому никто не знал, что если сделать сеть поглубже и дать побольше данных, то можно получить такие впечатляющие результаты. Но появились графические ускорители для расчета игр в реальном времени, и оказалось, что их можно использовать для того, чтобы тренировать нейронные сети, потому что там в матрице перемножаются такие операции, которые на этих ускорителях очень хорошо распараллеливаются. И это привело к той революции нейронных сетей, про которую мы сейчас узнаем.

Существуют три основных направления в области глубокого обучения. Это направление, связанное с компьютерным зрением, где нейронные сети пытаются что-то увидеть во внешнем мире, направление, связанное с предсказанием последовательности, где нейросети пытаются понять, что происходит в окружающем мире, и так называемое обучение с подкреплением, где нейросети учатся чем-то управлять. Рассмотрим каждое из них.

В компьютерном зрении основным алгоритмом является так называемая сверточная нейросеть. Что представляет собой эта модификация нейросети? У вас есть две функции — f и g. Функция свертки этих двух функций заключается в том, что вы эти две функции просто сдвигаете относительно друг друга на определенную величину, перемножаете все значения и складываете их. Соответственно, если у вас есть ступенька и треугольник и они друг с другом не совпадают, то функция свертки будет равна нулю, потому что эти функции вне этой области равны нулю. Но есть некоторая область значений сдвигов, для которой у вас, когда они максимально совпадают, значение функции свертки будет максимальным. Отсюда понятно, как мы можем это использовать для анализа изображений. У вас есть картинка и есть некоторый паттерн, который вы хотите найти в этой картинке, то есть у вас есть, например, Незнайка или кошка и вы хотите найти, где у этой кошки глаз. Вы можете закодировать некоторый паттерн яркости, который похож на глаз, и потом этим паттерном просканировать все изображение. Фактически вы вычисляете свертку изображения с паттерном глаза. Соответственно, в том участке изображения, который будет наиболее похожим на тот паттерн, который вы ищете, у вас функция свертки будет максимальной. Там вы сможете построить карту изображения, на которой максимальное значение будет в тех областях, в которых как раз ваш паттерн и находится.

А теперь представьте, что вы хотите распознавать сложные изображения, которые состоят из многих признаков. Что вы делаете? Фактически это у вас как один нейрон. У нейрона есть девять входов, выход, веса. Ваш паттерн — это веса. Вход — это фактически ваше значение яркостей. Вы перемножаете веса на вход этого нейрона, складываете их и получаете некое значение. Это значение — выход вашего нейрона, то значение свертки, которое вы хотите получить. Соответственно, вы делаете много нейронов, случайно задаете им веса. То есть изначально, когда вы решаете задачу, вы не знаете, какие признаки позволят вам отличить кошку от Незнайки. В принципе вы знаете, что у кошки есть полоски, а у Незнайки — шляпа. Для какой-то другой задачи будут другие признаки. И вы хотите универсальный алгоритм, который будет находить те признаки, которые будут наиболее информативны для разделения двух категорий. Соответственно, вы строите такую сеть, в которой на вход подается задача распознавания, соответственно, у вас есть некоторое число входных сверточных нейронов. Каждый из них строит свою карту признаков. Затем происходит определенная операция сжатия этих карт признаков, а потом эти карты признаков подаются на другие сверточные нейроны, и они ищут признаки уже в этих картах признаков. И так мы эту операцию можем проводить несколько раз, постепенно выискивая признаки все более и более высоко уровня абстракции. А затем эти карты признаков подаются на нашу полносвязную сеть прямого распространения, в которой наш сигнал передается от входных к выходным нейронам, и в конце у нас стоит классификатор. Вот так, очень просто, устроены сверточные нейронные сети.

Что сегодня мы можем сделать при помощи самых интересных сверточных сетей? Во-первых, мы можем локализовать объекты. То есть нейросеть может определить, что находится в некоторой рамке. Во-вторых, можем разметить и сегментировать изображение. В-третьих, алгоритм может определить пол и возраст человека. То есть если у нас было много примеров людей разного пола и возраста и мы натренировали нашу нейросеть предсказывать возраст и пол людей, то она нам будет предсказывать возраст и пол людей по изображению. В-четвертых, она может определять эмоции человека, если у нас был размеченный набор обучающих данных, в котором мы знали, с какими эмоциями присутствовал человек. Вот такие классные приложения. Сейчас любой разработчик может подписаться на сервис «Облачный Microsoft», загрузить свои фотки, и сервис через две минуты выдаст вам все эмоции или возраст с полом. То есть это, фактически, технологии, которые сейчас любой человек может использовать в своих продуктах.

Можно делать другие интересные вещи. Наверняка вы все слышали о приложении Prisma. Что мы можем сделать с его помощью? Мы можем перенести стиль одного изображения на содержание другого. Это как раз позволяют сделать наши сверточные слои. Мы можем найти, как признаки скоррелированы друг с другом в одном изображении, а потом перенести эту корреляцию признаков на содержание другого изображения. Ну и есть примеры того, как мы можем Храм Василия Блаженного раскрасить под хохлому. Такой быстрый инструмент, при помощи которого дизайнеры, например, могут совмещать какие-то две разные идеи. Мы можем научить нейросеть читать по губам. Если у нас есть субтитры и видео с человеком, который говорит, то мы можем отобразить его речь в тексте и построить такую нейросеть, которая предсказывает текст. Если у вас есть видео без звука, но видно, как человек говорит, то вы можете восстановить текст автоматически.

Но, оказывается, можно сделать и более сумасшедшие вещи. Есть такой подход — генеративные соревновательные сети (generative adversarial network — GAN). Это такой тип нейросетей, который использует автоэнкодеры — когда мы сначала кодируем изображение, а потом его восстанавливаем. Мы можем их использовать для того, чтобы натренировать хитрые генераторы изображений. То есть мы сначала преобразуем изображение в некое скрытое представление из нашего внутреннего скрытого слоя — это называется энкодер-часть, а потом подаем наше скрытое представление на вход декодера, и оно выдает картинку. Мы можем взять три картинки с изображением лица мужчины в очках, для каждого из них у нас будет скрытое изображение внутри нашей нейросети. Это будет некий вектор в некоем пространстве изображений. Теперь мы сложим эти три вектора и усредним. Получится некое усредненное изображение мужчины в очках. Потом мы возьмем три изображения мужчин без очков, подадим их скрытые представления на вход нашей нейросети, усредним векторы — и получим усредненное изображение мужчины без очков. То же самое мы можем проделать для женщины без очков. Итого у нас получилось три вектора. Теперь мы можем взять вектор мужчины в очках, вычесть из него вектор мужчины без очков и прибавить вектор женщины без очков. Тот вектор, который у нас получился, мы подадим на декодер, и наша сеть сама сгенерирует изображение женщины в очках, хотя она этой картинки никогда не видела. Могут быть варианты — очки с разной яркостью, женщина слегка не та, что мы прибавляли, но в целом эффект может получаться очень интересный.

Буквально пару недель назад на конференции NIPS компания InVideo представляла развитие этой технологии, в рамках которой вы можете на основе взятых черт знаменитостей сгенерировать усредненное изображение этих знаменитостей и даже синтезировать видео с этими людьми. Фактически вы можете создавать некие синтетические личности, которые будут присутствовать в ваших сериалах или фильмах. Так вы можете сэкономить кучу денег, потому что вам не нужно будет платить настоящим актерам.

Следующая задача — рекуррентные нейронные сети. Они могут предсказывать последовательности. Чтобы предсказать последовательность, нам нужно знать некую историю. В стандартных нейросетях у нас есть Х на входе, есть некоторый слой нашей нейросети, есть выход, и информация распространяется все время прямо. Если же мы возьмем другой отсчет времени, то наша нейросеть забудет о том, что она знала в предыдущем отсчете. Но для того, чтобы иметь возможность предсказывать, нам как раз нужно, чтобы нейросеть помнила о многих отсчетах времени. Как это сделать? Обычно это решается так: мы берем выход нашей нейросети за предыдущий момент времени и подаем эти значения ей же на вход, на слой нейросети. Что-то пришло в момент времени T, но пришло не только то, что передал ей предыдущий момент Т, но и то, что она сама выдавала в момент времени Т-1. Таким образом, мы сразу подаем параллельно два вектора. И на основании этого вычисляем значение выхода для момента времени Т. Получается, что нейросеть может сама себе передавать то, что она «думала» в предыдущий момент времени. Это позволяет сохранить информацию о предыдущих входах. Такой тип нейросетей и называется рекуррентным, потому что они имеют рекуррентные связи. Если мы подойдем в лоб к решению этой задачи, то рекуррентные нейросети работают не очень хорошо, потому что когда мы разворачиваем эту обратную петлю, то фактически наращиваем слои нашей нейронной сети. От момента времени 0 наша нейросеть будет погружаться все глубже и глубже — в момент времени 100 нейросеть наша тоже будет глубиной 100. Поскольку ошибка в обратную сторону распространяется, она постоянно растекается по нашей сети и затухает. Поэтому наша нейросеть очень плохо учится, так как каждый раз происходит умножение на некоторые коэффициенты и наши ошибки затухают.

Чтобы избавиться от этого затухания градиентов, в 1997 году исследователь Юрген Шмидхубер предложил заменить один нейрон на подсеть из пяти нейронов. То есть теперь слой нейросети состоит из «юнитов». Смоделируем ячейку памяти. У нас есть некоторые значения, которые хранятся в этой ячейке. Есть нейроны, которые могут управлять тем, что мы можем что-то в эту ячейку памяти записать, что-то из нее считать и вывести наружу. При этом управление ячейкой осуществляется индивидуально своим набором нейронов. Веса этих нейронов тоже обучаются — и в этом вся красота полученной архитектуры. Когда мы из этих ячеек построим большую нейросеть, они все будут обучаться с помощью алгоритма обратного распространения ошибки. То есть алгоритм у нас остается тот же самый, даже несмотря на то, что сеть у нас значительно усложнилась.

Это позволило, например, создать систему машинного перевода. Буквально год назад Google заменил свою старую систему машинного перевода на нейросетевую — значительно лучшего качества. По сравнению со старой версией машинного перевода Google 2015 года человеческий перевод получал гораздо больше оценок. Но по сравнению с новым нейросетевым алгоритмом Google, который используется сегодня, оценки человеческого перевода сопоставимы. На самом деле переводом вы пользуетесь каждый день — когда забиваете что-то в поиске, то второй и третий по значимости сигнал по тому, какой ресурс вы получите в выдаче на первой странице, тоже определяется нейросетями. Представители Google все время показывают график, в котором с каждым годом все больше и больше внутренних проектов используют нейросети и глубокое обучение. Если в 2012 году это были один-два проекта, то сегодня — около 5 тыс. Фактически нейросети — это та технология, которой вы пользуетесь каждый день, хотя, быть может, даже этого не подозреваете. Некоторые люди, которые этим занимаются, провозгласили, что нейросети и искусственный интеллект — это новое электричество. В том смысле, что это та технология, которой мы пользуемся, не замечая, но она плотно вошла в нашу жизнь.

Какого же эффекта мы можем достичь с помощью этих рекуррентных нейросетей? Я покажу вам результаты, которые поразили меня до глубины души. Если бы мне кто-то сказал за месяц до этого, что такое возможно, а это было летом 2015 года, я бы ответил, мол, ребята, я занимаюсь нейронными сетями десять лет, не надо мне рассказывать сказки. Но когда мы сами взяли нейросеть, провели ее обучение и увидели результат, который она выдает, то убедились, что это на самом деле так. Мы решали задачу моделирования языка. Формально это задача предсказания следующего символа. Например, у нас есть куча текстов Достоевского. Мы подаем на вход нашей нейросети 100 символов (букв, включая пробелы и знаки препинания) из произведений Достоевского, и ее задача — предсказать следующий символ. Этот символ мы можем снова подать на вход и предсказать следующий — и так далее. Но нам не хотелось экспериментировать на Достоевском, поэтому мы взяли субтитры к сериалу — примерно 10 млн слов из «Хроник вампиров» и еще чего-то. На этом материале сеть училась предсказывать следующие символы.

Итак, задача: есть 100 символов, нужно предсказать 101-й. Мы выложили в интернет интерфейс, где можно было забить какую-то начальную фразу, а нейросеть пыталась ее продолжить. Я отобрал наиболее интересные результаты. Человек пишет: «Ты глупый». То есть на вход нейросети подаются все эти буквы, пробел между «ы» и «г», а также перевод строки. И она предсказывает следующий символ: «К» большое. Мы подаем эту «К» ей на вход, она предсказывает следующий символ «а», подаем на вход «а» и т. д. — в результате получаем сгенерированную фразу: «Как насчет “привет”». Когда мы анализирует этот ответ, он выглядит абсолютно логично. Причем у него есть особенности: почему нейросеть сказала про привет? Если это начало диалога, то логично, что с фразы «ты глупый» не начинают. Поэтому нейросеть говорит: «Как насчет “привет”», причем слово «привет» закавычивает, давая понять, что это слово относится не к ней самой. Так что пусть у нашей нейросети и нет научной степени по филологии, но уж знания русского языка у нее глубокие.

Другой пример. Я попытался задать более сложный контекст, чтобы нейросети было непросто ответить. Вопрос: «Какой чудный вечер. Не правда ли?» Это довольно длинная последовательность символов, два предложения, много пробелов, знак вопроса. Вот ее ответ: «Ты действительно думаешь, что я буду помнить об этом?» Здесь ничего про вечер не сказано, ответ вопросом на вопрос. Но если мы попытаемся проинтерпретировать, то это вполне осмысленно. То есть если вечер чудесный, то подразумевается, что тот, кому про это сказали, захочет это запомнить. Отсюда такой ответ нейросети. И отдельно обратите внимание, что она (нейросеть.— “Ъ”) еще и знаки препинания правильно расставляет, и ошибок в словах не делает. И это при том, что мы в нее не закладывали правил русского языка, словаря слов, никаких грамматических основ — мы дали нейросети только последовательность символов. Мне кажется, что в таких условиях выдача подобных ответов — просто поразительный феномен. Я до сих пор удивляюсь: как она может это генерировать?

Еще один пример. Здесь вообще получился очень жизненный диалог. Человек: «Ты дура». Машина: «Так почему тебе не все равно?» Человек: «Потому что мне с тобой жить!» Машина: «Ты совсем не такой!» Человек: «Ты обиделась?» Машина: «Угу». Покажу еще пример ее работы. Человек: «Забавно, но ты всего лишь программа и никогда не сможешь мыслить». Машина: «Конечно, дело в том, что сейчас не лучшее время». Все логично, да? Но это ваша интерпретация, нам не известно, что на самом деле нейросеть имела в виду, это же все из сериалов.

А теперь — про разнообразие, которое порождала нейросеть. В принципе эта нейросеть является вероятностной моделью текста, она выдает вероятность следующего символа, но не точно, какой будет следующий символ. И мы можем пропорционально этой вероятности выбирать. Таким образом, мы можем генерировать разные последовательности. В одном случае на один и тот же вход мы выберем одну букву, в другом случае — другую. Мы подаем на вход предложение: «Алиса теперь счастлива». И просим нейросеть продолжить. Предсказать, как бы эта последовательность продолжалась. Везде продолжение начинается со слова «она». То есть нейросеть как бы улавливает, что здесь было про Алису и «счастлива», пол того субъекта, про который идет речь. В некоторых ответах есть нечто, что коррелирует с тем, что она счастлива. Например: «Она выглядит прекрасно». Или она была на концерте, поэтому она счастлива. Или она великолепна или влюблена, поэтому она счастлива. Или вот: «Она в опасности». Видимо, счастливые люди с большей вероятностью попадают в опасные ситуации, чем несчастливые. Можно сделать такой вывод. Или например: «Алиса попала в беду». Здесь мы видим, что тональность уже сменилась: «А она не знает кто ты», или «А она изменила свою жизнь», или «Она не собирается никого убивать». Раз она попала в беду, в ответах появляется что-то уже тревожное. А откуда появились эти нотки, мы не знаем. То есть нейросеть зачем-то вставила эти нотки. Из субтитров. Там были знаки ноток.

Но, видимо, в субтитрах все-таки больше про женщин, потому что на женские затравки она отвечает более осмысленно, а на мужские, наверное, не хватает статистики. «Джон теперь счастлив». — «Да, на дворе 800 фунтов на каждом месте», «Преступление в тысячу тысяч градусов по матче», «В самом деле собирался позволить себе просто бросить все на свои места». То есть осмысленность ответов сильно пострадала, хотя предложения изначально схожие. А вот «Джон попал в беду» — совсем тяжело: «Свиньи собираются в Старлинк-сити», «И когда он вернулся, я выбросил его в офис», «Он был не таким как был в прошлом году», «Сверхъестественное, ваша честь, это был не мы».

Я не знаю, насколько это вас впечатлило, меня это впечатлило очень сильно. Мой прогноз был бы такой, что, возможно, нейросеть сможет выучить некоторые слова из пяти букв и воспроизводить их в некотором случайном порядке. Но под прогнозом, что она сможет без ошибок генерировать такие длинные фразы, которые можно осмысленно интерпретировать, я бы, честно говоря, никогда не подписался.

Давайте я еще быстренько расскажу о том, о чем все волнуются в последнее время. Нейросетевое обучение с подкреплением. Это такой подход, который необходим для того, чтобы выучить некоторые действия у агента. Каждые действия агента как-то при этом меняют среду. В предыдущих задачах мы прогнозировали, но не влияли на саму задачу. Мы не влияли никак на изображения, которые классифицируем, не влияли никак на последовательность, которую мы генерируем. А здесь наша задача ставится так: мы хотим повлиять на тот вход, который у нас есть, чтобы привести в то целевое состояние, которое нам необходимо. Агент — это некоторый субъект, который может воздействовать на окружающую среду. Мы не знаем, как решать эту задачу по обучению агента. Но мы знаем, что такое хорошо и что такое плохо. Поэтому мы можем в те моменты, когда агент достигает той цели, которую мы перед ним поставили, давать ему некую величину, которую мы называем наградой или подкреплением. Таким образом, нам необходимо получить алгоритм, который будет по последовательности и по наградам выучивать такие действия, которые в данной ситуации будут максимизировать награду.

В 2016 году в журнале Nature вышла статья, где был описан достаточно универсальный алгоритм, который научили играть в игры Atari. И он попал на обложку журнала Nature. Если вы знаете, журнал Nature — это один из наиболее авторитетных и престижных еженедельников в мире науки, где публикуются действительно научные статьи. Если ты напечатал статью в Nature, то твой авторитет среди ученых очень сильно возрастает. Бывают, конечно, исключения, но в основном там действительно публикуются очень важные с точки зрения науки работы. Как ставится задача? У нас есть 49 игр Atari, мы подаем на вход нашей нейросети картинки из этих игр, но никак не объясняем правила. Мы будем одну и ту же нейросеть учить на разных играх и хотим, чтобы она на всех играх училась хорошо. Но нейросеть одна, и под конкретную игру она подстраивается только в процессе обучения. Заранее мы ничего не закладываем.

Соответственно, у нас есть картинки, которые попадают на вход нашей нейросети, но вы все знаете, что такое сверточные сети — я рассказывал полчаса назад. Сверточные нейросети преобразуют картинки, выделяют признаки, и на выходе нейросети она выдает действие, которое управляет джойстиком. Соответственно, команды от джойстика передаются в симулятор игры, и он управляет поведением игры. Когда вы набираете очки, ваш агент получает подкрепление, и задача агента — увеличить эти очки. То есть здесь мы не говорим ему напрямую, какие действия выбирать, а просто в тот момент, когда он увеличил очки, говорим, что это хорошо. И задача — обучить этот алгоритм. Например, нейросеть управляет подводной лодкой. Задача: рыб — уничтожать, водолазов — подбирать и время от времени, когда кислород заканчивается, всплывать и заряжаться кислородом. Нейросети это удается не всегда, иногда она погибает. Но оказывается, что этот результат нашел не только научное признание и попал на обложку журнала Nature, а был получен некоторым стартапом, и за пару месяцев до того, как это было опубликовано, этот стартап купила компания Google. При этом из результатов у этого стартапа были только те, которые они публиковали в журнале Nature. Как вы думаете, за сколько компания Google купила этот стартап? За 600 миллионов.

Следующий вопрос. Что связывает Гарри Каспарова и Ли Седоль, чемпиона по го (игра.— “Ъ”)? Правильно. Их обоих победил искусственный интеллект. В 1997 году DeepBlue обыграл Каспарова, а чемпиона го обыграли в прошлом году. Почему так? До последнего времени считалось, что го — очень сложная игра. Это связано с количеством вариантов, которые нужно перебрать, чтобы рассчитать все возможные исходы игры, и описывается так называемым коэффициентом ветвления. То есть во сколько возможных состояний игры мы можем перейти из текущего состояния игры, совершая разрешенные в игре действия. Для шахмат средний коэффициент ветвления — около 35. А в го этот коэффициент ветвления — 250. Соответственно, вы понимаете, что когда мы идем вглубь, то каждый раз мы умножаем на это число. И понятно, что для го мы очень быстро получаем такое количество вариантов, которое превышает число частиц в наблюдаемой вселенной, и перебрать их не представляется возможным. Нужен какой-то другой вариант решения этой задачи. Если в шахматах мы можем в лоб рассчитать варианты для очень большого числа позиций и тупо знать те ходы, которые нужно сделать, чтобы выиграть или не проиграть, то в го это гораздо сложнее. Многие люди говорили, чтобы распознавать все ситуации, нужна интуиция.

Тот же самый стартап, который купили за 600 миллионов, через год снова появился на обложке журнала Nature. Теперь он предложил алгоритм, который, глядя на доску, мог выдавать оценку того, насколько эта позиция хороша, то есть достаточно быстро предсказывать. Вы можете скомбинировать это предсказание с алгоритмом поиска по дереву и при помощи нейросети оценивать позиции и раскрывать только те, которые являются наиболее выигрышными. Таким образом, вы делаете не полный перебор, а только под дерево, которое является наиболее перспективным в данный момент. Этот алгоритм — версия AlphaGo (в статья была опубликована версия AlphaGo Fan) — и обыграл Ли Седоля в Го. Тогда программы в го играли на уровне хорошего любителя, но не профессионала. Чтобы обучить эту версию, нужно было 176 графических процессоров на распределенном кластере. И она выиграла у чемпиона Европы со счетом 5:0.

Затем появилась адаптированная версия программы — AlphaGoLee. Она использовала 48 Tensor Processing Unit — это типа TPU, но специально адаптированных под нейросети. У Ли Седоля она выиграла со счетом 4:1. Потом была AlphaGoMaster на 4 TPU, которая выигрывала у профессиональных игроков со счетом 60:0. Буквально месяц назад появилась программа AlphaGoZero, которая на 4 TPU на одном компьютере (уже не на кластере) обыграла со счетом 100:0 ту версию программы, которая обыграла Ли Седоля, и со счетом 89:11 — версию AlphaGoMaster. Следующую версию опубликовали несколько дней назад — AlphaZero. Она, опять же, на четырех TPU со счетом 60:40 сыграла против AlphaGoZero. Первая версия программы AlphaGoLee сначала тренировалась на реальных играх. То есть была взята база данных игр, и на ней программа училась играть, как человек. А вот программы AlphaGoZero и AlphaZero — почему Zero? Потому что они вообще не использовали никакой информации от человека. Как они училась? Просто играли сами с собой и обучались на своих играх. И вот так хорошо обучились.

Теперь вопрос. Зачем компания Google купила эту штуку? Она взяла этот алгоритм, который использовался для игр, и приложили к задаче управления охлаждением дата-центра. Теперь в момент, когда включается нейросетевое управление, потребление падает, когда выключается — возвращается к старому уровню. В среднем экономия около 40%. Google поддерживает огромное количество дата-центров, чтобы обеспечить качество сервиса, и для них экономить по 40% на электроэнергии, а для дата-центров электроэнергия — вообще основная затратная статья, это очень существенно. Не знаю, окупилось ли, но, по крайней мере, существенную часть, возможно, возместило.

За свою историю искусственный интеллект переживал взлеты и падения, и сегодня мы находимся на самой вершине нового ажиотажа вокруг искусственного интеллекта, где все считают, что искусственный интеллект — «новое электричество» и так далее. Возможно, скоро этот ажиотаж спадет, но сейчас самый пик. Почему здесь в зале так много людей, большинство из которых не знают, что такое глубокое обучение, и все равно пришли. Видимо, тема добирается из других сфер жизни и привлекает сюда людей. Пик интереса связан с тем, что давно известные нейросетевые алгоритмы за счет больших данных и больших вычислительных возможностей стали решать те задачи, которые раньше не могли быть решены, и давать очень интересные результаты, которые могут быть внедрены в очень многих областях экономики.

Соответственно, что делаем мы в этой области? В нашей лаборатории мы реализуем проект, поддержанный Национальной технологической инициативой — это инициатива нашего президента, связанная с попыткой переставить какие-то части нашей экономики с сырьевых рельсов на высокотехнологичные. Инициатива связана, с одной стороны, с поддержкой инновационных бизнесов, а с другой — с инфраструктурой для этих инновационных бизнесов. Соответственно, в рамках этой национальной технологической инициативы Физтех при софинансировании Сбербанка выполняет проект. И цели проекта — это разработка алгоритмов глубокого машинного обучения и машинного интеллекта в виде некоторой технологической платформы для автоматизации ведения целенаправленного диалога с пользователем.

Сегодня у нас возникает целая область экономики, связанная с текстовой коммуникацией. Люди пользуются мобильными устройствами, и число пользователей мессенджеров на мобильных платформах уже превысило число пользователей соцсетей. Это значит, что огромное количество коммуникаций люди осуществляют в текстовом формате. Но при этом нет хороших инструментов для компаний, чтобы общаться в этом мире с пользователями. Есть большой запрос на решения, когда компании могли бы достучаться до вас, как-то вам помочь или решить какую-то вашу проблему через чат. С другой стороны, те решения на создание диалоговых систем, которые до последнего времени существовали, не очень эффективны, потому что они основаны на некоторых закодированных сценариях, заданных программистом, и эти сценарии, как оказалось, не очень хорошо масштабируются и не могут описать все многообразие нашей разговорной жизни. Разные люди по-разному выражают свои мысли, бывают разные ситуации, и все это очень сложно воспринять и заранее предусмотреть. Но, как мы видели, нейросети очень хорошо справляются с такой неопределенностью. Они могут генерировать ответы, похожие на ответы человека. Они могут делать машинный перевод. И поэтому есть надежда, что мы сможем использовать нейросетевые технологии для того, чтобы решить хотя бы часть проблем в создании разговорных интерфейсов.

Таким образом, цель этого проекта — как раз создать такую открытую платформу, которая могла бы быть использована компаниями для создания продуктов в этой области. То есть мы создаем технологию, отдаем ее компаниям и говорим: «Мы вас будем поддерживать, мы будем вам помогать эту технологию внедрять, а вы, пожалуйста, делайте свои бизнесы и вносите свой вклад в экономику». Каковы стейкхолдеры нашего проекта? С точки зрения NTI, это компании на высокотехнологичных рынках. Например, Сбербанк, который хочет, имея эту технологию в качестве основы, создать решения для автоматизации каких-то сервисов, например, колл-центров или служб поддержки. Это Физтех, которому интересно развивать внутри себя компетенцию по искусственному интеллекту. Это исследователи и разработчики, которым нужны инструменты для того, чтобы быстро создавать таких интеллектуальных диалоговых агентов.

Этот проект мы начали летом этого года и назвали его iPavlov в честь Ивана Петровича Павлова, знаменитого русского нейрофизиолога, который занимался исследованием условных рефлексов. То есть мозгом. Соответственно, два основных результата нашей деятельности с точки зрения технологии — это открытая библиотека, которую мы назвали DeepPavlov, и это как раз набор инструментов для создания диалоговых систем, а также набор сервисов Сбербанка, который они будут встраивать в свои продукты, например, каких-то финансовых помощников. У нас есть исследования, есть разработка нашей библиотеки, есть приложения этой библиотеки для каких-то конкретных бизнес-кейсов. Что мы хотим сделать? Мы хотим сделать набор некоторых нейросетевых блоков, из которых мы можем собрать разных агентов под разные задачи. Например, агентов, которые могут решать конкретные задачи типа бронирования билетов, или агентов, которые могут отвечать на вопросы по какой-то тематике, или агентов, которые могут просто поддерживать беседу. И потом эти агенты могут комбинироваться для каждой конкретной области, чтобы оптимально решать поставленную задачу. Это то, как мы планируем реализовывать архитектуру с точки зрения ее нейросетевого и исследовательского содержания. И, с одной стороны, наша библиотека состоит из компонентов для создания этих ботов. С другой стороны, у нас есть некоторый инструмент Bildert, при помощи которого мы можем собирать из этих ботов разговорных агентов, есть коннекторы, которые соединяют нас с мессенджерами, и есть данные, на которых мы тренируем. То есть это некоторый набор инструментов, при помощи которых можно разрабатывать и внедрять такие решения.

Наверное, на этом можно закончить. Спасибо всем.

Евгения Чернышева

Что это такое, типы, симптомы

Обзор

Что такое нервная система?

Ваша нервная система направляет почти все, что вы делаете, думаете, говорите или чувствуете. Он контролирует сложные процессы, такие как движение, мышление и память. Он также играет важную роль в том, что ваше тело делает, не задумываясь, например, в дыхании, краснея и моргании.

Ваша нервная система влияет на все аспекты вашего здоровья, включая:

• Мысли, память, обучение и чувства.
• Движения, такие как равновесие и координация.
• Чувства, в том числе то, как ваш мозг интерпретирует то, что вы видите, слышите, ощущаете на вкус, прикасаетесь и чувствуете.
• Сон, исцеление и старение.
• Паттерны сердцебиения и дыхания.
• Реагирование на стрессовые ситуации.
• Пищеварение, а также то, насколько вы чувствуете голод и жажду.
• Процессы в организме, такие как половое созревание.

Эта сложная система — командный центр вашего тела. Он регулирует системы вашего тела и позволяет вам познавать окружающую среду.

Обширная сеть нервов посылает электрические сигналы к другим клеткам, железам и мышцам по всему телу и от них. Эти нервы получают информацию из окружающего вас мира. Затем нервы интерпретируют информацию и контролируют вашу реакцию. Это похоже на огромную информационную магистраль, проходящую по всему телу.

Функция

Что делает нервная система?

Ваша нервная система использует специализированные клетки, называемые нейронами, для отправки сигналов или сообщений по всему вашему телу.Эти электрические сигналы передаются между мозгом, кожей, органами, железами и мышцами.

Сообщения помогают двигать конечностями и ощущать такие ощущения, как боль. Ваши глаза, уши, язык, нос и нервы по всему телу воспринимают информацию об окружающей среде. Затем нервы переносят эти данные в ваш мозг и обратно.

Различные типы нейронов посылают разные сигналы. Моторные нейроны говорят вашим мышцам двигаться. Сенсорные нейроны получают информацию от ваших органов чувств и посылают сигналы в ваш мозг.Другие типы нейронов контролируют то, что ваше тело делает автоматически, например, дыхание, дрожь, регулярное сердцебиение и переваривание пищи.

Анатомия

Какие части нервной системы?

Нервная система состоит из двух основных частей. Каждая часть содержит миллиарды клеток, называемых нейронами или нервными клетками. Эти особые клетки посылают и получают через ваше тело электрические сигналы, сообщающие ему, что делать.

Основные части нервной системы:

Центральная нервная система (ЦНС): Головной и спинной мозг составляют вашу ЦНС.Ваш мозг использует ваши нервы, чтобы посылать сообщения остальным частям вашего тела. Каждый нерв имеет защитный внешний слой, называемый миелином. Миелин изолирует нерв и помогает передавать сообщения.

Периферическая нервная система : Ваша периферическая нервная система состоит из множества нервов, которые отходят от ЦНС по всему телу. Эта система передает информацию от головного и спинного мозга к вашим органам, рукам, ногам, пальцам рук и ног. Ваша периферическая нервная система содержит:

• Соматическая нервная система , которая направляет ваши произвольные движения.
• Вегетативная нервная система, , которая контролирует деятельность, которую вы делаете, не думая о ней.

Состояния и расстройства

Какие состояния и расстройства влияют на нервную систему?

Тысячи заболеваний и состояний могут повлиять на ваши нервы. Травмированный нерв не может отправить сообщение. Иногда он настолько поврежден, что вообще не может отправлять или получать сообщения. Повреждение нерва может вызвать онемение, ощущение иголки или боль.Вам может быть трудно или невозможно переместить травмированный участок.

Повреждение нерва может произойти по-разному. Некоторые из наиболее распространенных причин повреждения нервов включают:

• Болезнь: Многие инфекции, рак и аутоиммунные заболевания, такие как диабет, волчанка и ревматоидный артрит, могут вызывать проблемы с нервной системой. Диабет может привести к диабетической невропатии, вызывающей покалывание и боль в ногах и ступнях. Состояние, называемое рассеянным склерозом, поражает миелин вокруг нервов в ЦНС.
• Инсульт: Инсульт случается, когда один из кровеносных сосудов головного мозга блокируется или внезапно лопается. Без достаточного количества крови часть мозга умирает. Тогда он не сможет отправлять сообщения по нервам. Инсульт может вызвать повреждение нервов от легкого до тяжелого.
• Случайная травма: Нервы могут быть раздавлены, растянуты или порезаны в результате несчастного случая. Автомобильные аварии и падения — распространенные травмы, которые могут повредить нервы в любом месте вашего тела.
• Давление: Если нерв защемлен или сдавлен, он не может получить достаточно крови для своей работы.Нервы могут быть защемлены или защемлены по многим причинам, таким как чрезмерная нагрузка (как при синдроме запястного канала), опухоль или структурные проблемы, такие как ишиас.
• Токсичные вещества: Химиотерапевтические препараты, запрещенные препараты, чрезмерное употребление алкоголя и ядовитые вещества могут вызвать периферическую невропатию или повреждение нервов. Люди с заболеванием почек более склонны к повреждению нервов, потому что их почки с трудом фильтруют токсины.
• Процесс старения: По мере того, как вы становитесь старше, сигналы ваших нейронов могут перемещаться не так быстро, как раньше.Вы можете почувствовать себя слабее, и ваши рефлексы могут замедлиться. Некоторые люди теряют чувствительность пальцев рук и ног или других частей тела.

Насколько распространены эти состояния?

Некоторые причины повреждения нервов возникают чаще, чем другие. В их числе:

• Диабет: Это заболевание эндокринной системы вызывает повреждение нервов, называемое диабетической невропатией. Около 30 миллионов американцев страдают диабетом, и почти у 50% из них есть нервные повреждения. Диабетическая невропатия обычно поражает руки, ноги, кисти, ступни, пальцы рук и ног.
• Волчанка: Около 1,5 миллиона американцев живут с волчанкой, и 15% из них испытали повреждение нервов.
• Ревматоидный артрит: У людей с ревматоидным артритом также может развиться невропатия. Ревматоидный артрит поражает более 1,3 миллиона человек в США. Это одна из самых распространенных форм артрита.
• Инсульт: Около 800 000 американцев ежегодно переносят инсульт. Инсульты чаще возникают у людей старше 65 лет.

Забота

Как сохранить здоровье нервной системы?

Ваша нервная система — это командный центр всего вашего тела.Для правильной работы требуется осторожность. Регулярно посещайте врача, соблюдайте здоровую диету, избегайте наркотиков и употребляйте алкоголь только в умеренных количествах. Лучший способ избежать повреждения нервов от болезней — это управлять состояниями, которые могут травмировать ваши нервы, например диабетом.

Часто задаваемые вопросы

Когда мне следует позвонить своему врачу?

Немедленно позвоните своему врачу, если у вас есть какие-либо внезапные изменения в вашем здоровье, такие как потеря координации или заметная сильная мышечная слабость.Вам также следует обратиться к врачу, если у вас есть:

• Проблемы со зрением или головные боли.
• Невнятная речь.
• Онемение, покалывание или потеря чувствительности в руках или ногах.
• Тремор или тики (случайные движения мышц).
• Изменения в поведении или памяти.
• Проблемы с координацией или движением мышц.

Что это такое, типы, симптомы

Обзор

Что такое нервная система?

Ваша нервная система направляет почти все, что вы делаете, думаете, говорите или чувствуете.Он контролирует сложные процессы, такие как движение, мышление и память. Он также играет важную роль в том, что ваше тело делает, не задумываясь, например, в дыхании, краснея и моргании.

Ваша нервная система влияет на все аспекты вашего здоровья, включая:

• Мысли, память, обучение и чувства.
• Движения, такие как равновесие и координация.
• Чувства, в том числе то, как ваш мозг интерпретирует то, что вы видите, слышите, ощущаете на вкус, прикасаетесь и чувствуете.
• Сон, исцеление и старение.
• Паттерны сердцебиения и дыхания.
• Реагирование на стрессовые ситуации.
• Пищеварение, а также то, насколько вы чувствуете голод и жажду.
• Процессы в организме, такие как половое созревание.

Эта сложная система — командный центр вашего тела. Он регулирует системы вашего тела и позволяет вам познавать окружающую среду.

Обширная сеть нервов посылает электрические сигналы к другим клеткам, железам и мышцам по всему телу и от них. Эти нервы получают информацию из окружающего вас мира.Затем нервы интерпретируют информацию и контролируют вашу реакцию. Это похоже на огромную информационную магистраль, проходящую по всему телу.

Функция

Что делает нервная система?

Ваша нервная система использует специализированные клетки, называемые нейронами, для отправки сигналов или сообщений по всему вашему телу. Эти электрические сигналы передаются между мозгом, кожей, органами, железами и мышцами.

Сообщения помогают двигать конечностями и ощущать такие ощущения, как боль.Ваши глаза, уши, язык, нос и нервы по всему телу воспринимают информацию об окружающей среде. Затем нервы переносят эти данные в ваш мозг и обратно.

Различные типы нейронов посылают разные сигналы. Моторные нейроны говорят вашим мышцам двигаться. Сенсорные нейроны получают информацию от ваших органов чувств и посылают сигналы в ваш мозг. Другие типы нейронов контролируют то, что ваше тело делает автоматически, например, дыхание, дрожь, регулярное сердцебиение и переваривание пищи.

Анатомия

Какие части нервной системы?

Нервная система состоит из двух основных частей.Каждая часть содержит миллиарды клеток, называемых нейронами или нервными клетками. Эти особые клетки посылают и получают через ваше тело электрические сигналы, сообщающие ему, что делать.

Основные части нервной системы:

Центральная нервная система (ЦНС): Головной и спинной мозг составляют вашу ЦНС. Ваш мозг использует ваши нервы, чтобы посылать сообщения остальным частям вашего тела. Каждый нерв имеет защитный внешний слой, называемый миелином. Миелин изолирует нерв и помогает передавать сообщения.

Периферическая нервная система : Ваша периферическая нервная система состоит из множества нервов, которые отходят от ЦНС по всему телу. Эта система передает информацию от головного и спинного мозга к вашим органам, рукам, ногам, пальцам рук и ног. Ваша периферическая нервная система содержит:

• Соматическая нервная система , которая направляет ваши произвольные движения.
• Вегетативная нервная система, , которая контролирует деятельность, которую вы делаете, не думая о ней.

Состояния и расстройства

Какие состояния и расстройства влияют на нервную систему?

Тысячи заболеваний и состояний могут повлиять на ваши нервы. Травмированный нерв не может отправить сообщение. Иногда он настолько поврежден, что вообще не может отправлять или получать сообщения. Повреждение нерва может вызвать онемение, ощущение иголки или боль. Вам может быть трудно или невозможно переместить травмированный участок.

Повреждение нерва может произойти по-разному.Некоторые из наиболее распространенных причин повреждения нервов включают:

• Болезнь: Многие инфекции, рак и аутоиммунные заболевания, такие как диабет, волчанка и ревматоидный артрит, могут вызывать проблемы с нервной системой. Диабет может привести к диабетической невропатии, вызывающей покалывание и боль в ногах и ступнях. Состояние, называемое рассеянным склерозом, поражает миелин вокруг нервов в ЦНС.
• Инсульт: Инсульт случается, когда один из кровеносных сосудов головного мозга блокируется или внезапно лопается.Без достаточного количества крови часть мозга умирает. Тогда он не сможет отправлять сообщения по нервам. Инсульт может вызвать повреждение нервов от легкого до тяжелого.
• Случайная травма: Нервы могут быть раздавлены, растянуты или порезаны в результате несчастного случая. Автомобильные аварии и падения — распространенные травмы, которые могут повредить нервы в любом месте вашего тела.
• Давление: Если нерв защемлен или сдавлен, он не может получить достаточно крови для своей работы. Нервы могут быть защемлены или защемлены по многим причинам, таким как чрезмерная нагрузка (как при синдроме запястного канала), опухоль или структурные проблемы, такие как ишиас.
• Токсичные вещества: Химиотерапевтические препараты, запрещенные препараты, чрезмерное употребление алкоголя и ядовитые вещества могут вызвать периферическую невропатию или повреждение нервов. Люди с заболеванием почек более склонны к повреждению нервов, потому что их почки с трудом фильтруют токсины.
• Процесс старения: По мере того, как вы становитесь старше, сигналы ваших нейронов могут перемещаться не так быстро, как раньше. Вы можете почувствовать себя слабее, и ваши рефлексы могут замедлиться. Некоторые люди теряют чувствительность пальцев рук и ног или других частей тела.

Насколько распространены эти состояния?

Некоторые причины повреждения нервов возникают чаще, чем другие. В их числе:

• Диабет: Это заболевание эндокринной системы вызывает повреждение нервов, называемое диабетической невропатией. Около 30 миллионов американцев страдают диабетом, и почти у 50% из них есть нервные повреждения. Диабетическая невропатия обычно поражает руки, ноги, кисти, ступни, пальцы рук и ног.
• Волчанка: Около 1,5 миллиона американцев живут с волчанкой, и 15% из них испытали повреждение нервов.
• Ревматоидный артрит: У людей с ревматоидным артритом также может развиться невропатия. Ревматоидный артрит поражает более 1,3 миллиона человек в США. Это одна из самых распространенных форм артрита.
• Инсульт: Около 800 000 американцев ежегодно переносят инсульт. Инсульты чаще возникают у людей старше 65 лет.

Забота

Как сохранить здоровье нервной системы?

Ваша нервная система — это командный центр всего вашего тела.Для правильной работы требуется осторожность. Регулярно посещайте врача, соблюдайте здоровую диету, избегайте наркотиков и употребляйте алкоголь только в умеренных количествах. Лучший способ избежать повреждения нервов от болезней — это управлять состояниями, которые могут травмировать ваши нервы, например диабетом.

Часто задаваемые вопросы

Когда мне следует позвонить своему врачу?

Немедленно позвоните своему врачу, если у вас есть какие-либо внезапные изменения в вашем здоровье, такие как потеря координации или заметная сильная мышечная слабость.Вам также следует обратиться к врачу, если у вас есть:

• Проблемы со зрением или головные боли.
• Невнятная речь.
• Онемение, покалывание или потеря чувствительности в руках или ногах.
• Тремор или тики (случайные движения мышц).
• Изменения в поведении или памяти.
• Проблемы с координацией или движением мышц.

Что это такое, типы, симптомы

Обзор

Что такое нервная система?

Ваша нервная система направляет почти все, что вы делаете, думаете, говорите или чувствуете.Он контролирует сложные процессы, такие как движение, мышление и память. Он также играет важную роль в том, что ваше тело делает, не задумываясь, например, в дыхании, краснея и моргании.

Ваша нервная система влияет на все аспекты вашего здоровья, включая:

• Мысли, память, обучение и чувства.
• Движения, такие как равновесие и координация.
• Чувства, в том числе то, как ваш мозг интерпретирует то, что вы видите, слышите, ощущаете на вкус, прикасаетесь и чувствуете.
• Сон, исцеление и старение.
• Паттерны сердцебиения и дыхания.
• Реагирование на стрессовые ситуации.
• Пищеварение, а также то, насколько вы чувствуете голод и жажду.
• Процессы в организме, такие как половое созревание.

Эта сложная система — командный центр вашего тела. Он регулирует системы вашего тела и позволяет вам познавать окружающую среду.

Обширная сеть нервов посылает электрические сигналы к другим клеткам, железам и мышцам по всему телу и от них. Эти нервы получают информацию из окружающего вас мира.Затем нервы интерпретируют информацию и контролируют вашу реакцию. Это похоже на огромную информационную магистраль, проходящую по всему телу.

Функция

Что делает нервная система?

Ваша нервная система использует специализированные клетки, называемые нейронами, для отправки сигналов или сообщений по всему вашему телу. Эти электрические сигналы передаются между мозгом, кожей, органами, железами и мышцами.

Сообщения помогают двигать конечностями и ощущать такие ощущения, как боль.Ваши глаза, уши, язык, нос и нервы по всему телу воспринимают информацию об окружающей среде. Затем нервы переносят эти данные в ваш мозг и обратно.

Различные типы нейронов посылают разные сигналы. Моторные нейроны говорят вашим мышцам двигаться. Сенсорные нейроны получают информацию от ваших органов чувств и посылают сигналы в ваш мозг. Другие типы нейронов контролируют то, что ваше тело делает автоматически, например, дыхание, дрожь, регулярное сердцебиение и переваривание пищи.

Анатомия

Какие части нервной системы?

Нервная система состоит из двух основных частей.Каждая часть содержит миллиарды клеток, называемых нейронами или нервными клетками. Эти особые клетки посылают и получают через ваше тело электрические сигналы, сообщающие ему, что делать.

Основные части нервной системы:

Центральная нервная система (ЦНС): Головной и спинной мозг составляют вашу ЦНС. Ваш мозг использует ваши нервы, чтобы посылать сообщения остальным частям вашего тела. Каждый нерв имеет защитный внешний слой, называемый миелином. Миелин изолирует нерв и помогает передавать сообщения.

Периферическая нервная система : Ваша периферическая нервная система состоит из множества нервов, которые отходят от ЦНС по всему телу. Эта система передает информацию от головного и спинного мозга к вашим органам, рукам, ногам, пальцам рук и ног. Ваша периферическая нервная система содержит:

• Соматическая нервная система , которая направляет ваши произвольные движения.
• Вегетативная нервная система, , которая контролирует деятельность, которую вы делаете, не думая о ней.

Состояния и расстройства

Какие состояния и расстройства влияют на нервную систему?

Тысячи заболеваний и состояний могут повлиять на ваши нервы. Травмированный нерв не может отправить сообщение. Иногда он настолько поврежден, что вообще не может отправлять или получать сообщения. Повреждение нерва может вызвать онемение, ощущение иголки или боль. Вам может быть трудно или невозможно переместить травмированный участок.

Повреждение нерва может произойти по-разному.Некоторые из наиболее распространенных причин повреждения нервов включают:

• Болезнь: Многие инфекции, рак и аутоиммунные заболевания, такие как диабет, волчанка и ревматоидный артрит, могут вызывать проблемы с нервной системой. Диабет может привести к диабетической невропатии, вызывающей покалывание и боль в ногах и ступнях. Состояние, называемое рассеянным склерозом, поражает миелин вокруг нервов в ЦНС.
• Инсульт: Инсульт случается, когда один из кровеносных сосудов головного мозга блокируется или внезапно лопается.Без достаточного количества крови часть мозга умирает. Тогда он не сможет отправлять сообщения по нервам. Инсульт может вызвать повреждение нервов от легкого до тяжелого.
• Случайная травма: Нервы могут быть раздавлены, растянуты или порезаны в результате несчастного случая. Автомобильные аварии и падения — распространенные травмы, которые могут повредить нервы в любом месте вашего тела.
• Давление: Если нерв защемлен или сдавлен, он не может получить достаточно крови для своей работы. Нервы могут быть защемлены или защемлены по многим причинам, таким как чрезмерная нагрузка (как при синдроме запястного канала), опухоль или структурные проблемы, такие как ишиас.
• Токсичные вещества: Химиотерапевтические препараты, запрещенные препараты, чрезмерное употребление алкоголя и ядовитые вещества могут вызвать периферическую невропатию или повреждение нервов. Люди с заболеванием почек более склонны к повреждению нервов, потому что их почки с трудом фильтруют токсины.
• Процесс старения: По мере того, как вы становитесь старше, сигналы ваших нейронов могут перемещаться не так быстро, как раньше. Вы можете почувствовать себя слабее, и ваши рефлексы могут замедлиться. Некоторые люди теряют чувствительность пальцев рук и ног или других частей тела.

Насколько распространены эти состояния?

Некоторые причины повреждения нервов возникают чаще, чем другие. В их числе:

• Диабет: Это заболевание эндокринной системы вызывает повреждение нервов, называемое диабетической невропатией. Около 30 миллионов американцев страдают диабетом, и почти у 50% из них есть нервные повреждения. Диабетическая невропатия обычно поражает руки, ноги, кисти, ступни, пальцы рук и ног.
• Волчанка: Около 1,5 миллиона американцев живут с волчанкой, и 15% из них испытали повреждение нервов.
• Ревматоидный артрит: У людей с ревматоидным артритом также может развиться невропатия. Ревматоидный артрит поражает более 1,3 миллиона человек в США. Это одна из самых распространенных форм артрита.
• Инсульт: Около 800 000 американцев ежегодно переносят инсульт. Инсульты чаще возникают у людей старше 65 лет.

Забота

Как сохранить здоровье нервной системы?

Ваша нервная система — это командный центр всего вашего тела.Для правильной работы требуется осторожность. Регулярно посещайте врача, соблюдайте здоровую диету, избегайте наркотиков и употребляйте алкоголь только в умеренных количествах. Лучший способ избежать повреждения нервов от болезней — это управлять состояниями, которые могут травмировать ваши нервы, например диабетом.

Часто задаваемые вопросы

Когда мне следует позвонить своему врачу?

Немедленно позвоните своему врачу, если у вас есть какие-либо внезапные изменения в вашем здоровье, такие как потеря координации или заметная сильная мышечная слабость.Вам также следует обратиться к врачу, если у вас есть:

• Проблемы со зрением или головные боли.
• Невнятная речь.
• Онемение, покалывание или потеря чувствительности в руках или ногах.
• Тремор или тики (случайные движения мышц).
• Изменения в поведении или памяти.
• Проблемы с координацией или движением мышц.

Что это такое, типы, симптомы

Обзор

Что такое нервная система?

Ваша нервная система направляет почти все, что вы делаете, думаете, говорите или чувствуете.Он контролирует сложные процессы, такие как движение, мышление и память. Он также играет важную роль в том, что ваше тело делает, не задумываясь, например, в дыхании, краснея и моргании.

Ваша нервная система влияет на все аспекты вашего здоровья, включая:

• Мысли, память, обучение и чувства.
• Движения, такие как равновесие и координация.
• Чувства, в том числе то, как ваш мозг интерпретирует то, что вы видите, слышите, ощущаете на вкус, прикасаетесь и чувствуете.
• Сон, исцеление и старение.
• Паттерны сердцебиения и дыхания.
• Реагирование на стрессовые ситуации.
• Пищеварение, а также то, насколько вы чувствуете голод и жажду.
• Процессы в организме, такие как половое созревание.

Эта сложная система — командный центр вашего тела. Он регулирует системы вашего тела и позволяет вам познавать окружающую среду.

Обширная сеть нервов посылает электрические сигналы к другим клеткам, железам и мышцам по всему телу и от них. Эти нервы получают информацию из окружающего вас мира.Затем нервы интерпретируют информацию и контролируют вашу реакцию. Это похоже на огромную информационную магистраль, проходящую по всему телу.

Функция

Что делает нервная система?

Ваша нервная система использует специализированные клетки, называемые нейронами, для отправки сигналов или сообщений по всему вашему телу. Эти электрические сигналы передаются между мозгом, кожей, органами, железами и мышцами.

Сообщения помогают двигать конечностями и ощущать такие ощущения, как боль.Ваши глаза, уши, язык, нос и нервы по всему телу воспринимают информацию об окружающей среде. Затем нервы переносят эти данные в ваш мозг и обратно.

Различные типы нейронов посылают разные сигналы. Моторные нейроны говорят вашим мышцам двигаться. Сенсорные нейроны получают информацию от ваших органов чувств и посылают сигналы в ваш мозг. Другие типы нейронов контролируют то, что ваше тело делает автоматически, например, дыхание, дрожь, регулярное сердцебиение и переваривание пищи.

Анатомия

Какие части нервной системы?

Нервная система состоит из двух основных частей.Каждая часть содержит миллиарды клеток, называемых нейронами или нервными клетками. Эти особые клетки посылают и получают через ваше тело электрические сигналы, сообщающие ему, что делать.

Основные части нервной системы:

Центральная нервная система (ЦНС): Головной и спинной мозг составляют вашу ЦНС. Ваш мозг использует ваши нервы, чтобы посылать сообщения остальным частям вашего тела. Каждый нерв имеет защитный внешний слой, называемый миелином. Миелин изолирует нерв и помогает передавать сообщения.

Периферическая нервная система : Ваша периферическая нервная система состоит из множества нервов, которые отходят от ЦНС по всему телу. Эта система передает информацию от головного и спинного мозга к вашим органам, рукам, ногам, пальцам рук и ног. Ваша периферическая нервная система содержит:

• Соматическая нервная система , которая направляет ваши произвольные движения.
• Вегетативная нервная система, , которая контролирует деятельность, которую вы делаете, не думая о ней.

Состояния и расстройства

Какие состояния и расстройства влияют на нервную систему?

Тысячи заболеваний и состояний могут повлиять на ваши нервы. Травмированный нерв не может отправить сообщение. Иногда он настолько поврежден, что вообще не может отправлять или получать сообщения. Повреждение нерва может вызвать онемение, ощущение иголки или боль. Вам может быть трудно или невозможно переместить травмированный участок.

Повреждение нерва может произойти по-разному.Некоторые из наиболее распространенных причин повреждения нервов включают:

• Болезнь: Многие инфекции, рак и аутоиммунные заболевания, такие как диабет, волчанка и ревматоидный артрит, могут вызывать проблемы с нервной системой. Диабет может привести к диабетической невропатии, вызывающей покалывание и боль в ногах и ступнях. Состояние, называемое рассеянным склерозом, поражает миелин вокруг нервов в ЦНС.
• Инсульт: Инсульт случается, когда один из кровеносных сосудов головного мозга блокируется или внезапно лопается.Без достаточного количества крови часть мозга умирает. Тогда он не сможет отправлять сообщения по нервам. Инсульт может вызвать повреждение нервов от легкого до тяжелого.
• Случайная травма: Нервы могут быть раздавлены, растянуты или порезаны в результате несчастного случая. Автомобильные аварии и падения — распространенные травмы, которые могут повредить нервы в любом месте вашего тела.
• Давление: Если нерв защемлен или сдавлен, он не может получить достаточно крови для своей работы. Нервы могут быть защемлены или защемлены по многим причинам, таким как чрезмерная нагрузка (как при синдроме запястного канала), опухоль или структурные проблемы, такие как ишиас.
• Токсичные вещества: Химиотерапевтические препараты, запрещенные препараты, чрезмерное употребление алкоголя и ядовитые вещества могут вызвать периферическую невропатию или повреждение нервов. Люди с заболеванием почек более склонны к повреждению нервов, потому что их почки с трудом фильтруют токсины.
• Процесс старения: По мере того, как вы становитесь старше, сигналы ваших нейронов могут перемещаться не так быстро, как раньше. Вы можете почувствовать себя слабее, и ваши рефлексы могут замедлиться. Некоторые люди теряют чувствительность пальцев рук и ног или других частей тела.

Насколько распространены эти состояния?

Некоторые причины повреждения нервов возникают чаще, чем другие. В их числе:

• Диабет: Это заболевание эндокринной системы вызывает повреждение нервов, называемое диабетической невропатией. Около 30 миллионов американцев страдают диабетом, и почти у 50% из них есть нервные повреждения. Диабетическая невропатия обычно поражает руки, ноги, кисти, ступни, пальцы рук и ног.
• Волчанка: Около 1,5 миллиона американцев живут с волчанкой, и 15% из них испытали повреждение нервов.
• Ревматоидный артрит: У людей с ревматоидным артритом также может развиться невропатия. Ревматоидный артрит поражает более 1,3 миллиона человек в США. Это одна из самых распространенных форм артрита.
• Инсульт: Около 800 000 американцев ежегодно переносят инсульт. Инсульты чаще возникают у людей старше 65 лет.

Забота

Как сохранить здоровье нервной системы?

Ваша нервная система — это командный центр всего вашего тела.Для правильной работы требуется осторожность. Регулярно посещайте врача, соблюдайте здоровую диету, избегайте наркотиков и употребляйте алкоголь только в умеренных количествах. Лучший способ избежать повреждения нервов от болезней — это управлять состояниями, которые могут травмировать ваши нервы, например диабетом.

Часто задаваемые вопросы

Когда мне следует позвонить своему врачу?

Немедленно позвоните своему врачу, если у вас есть какие-либо внезапные изменения в вашем здоровье, такие как потеря координации или заметная сильная мышечная слабость.Вам также следует обратиться к врачу, если у вас есть:

• Проблемы со зрением или головные боли.
• Невнятная речь.
• Онемение, покалывание или потеря чувствительности в руках или ногах.
• Тремор или тики (случайные движения мышц).
• Изменения в поведении или памяти.
• Проблемы с координацией или движением мышц.

Что такое нервная система?

Нервная система представляет собой сложную сеть нервов и клеток, передающих сообщения от головного и спинного мозга к различным частям тела.

Изображение предоставлено: VectorMine / Shutterstock.com

Нервная система включает как центральную нервную систему, так и периферическую нервную систему. Центральная нервная система состоит из головного и спинного мозга, а периферическая нервная система состоит из соматической и вегетативной нервных систем.

Центральная нервная система (ЦНС)

Центральная нервная система делится на две основные части: головной и спинной мозг.

Нейротрансмиссия — 3D медицинская анимация Играть

Мозг

Мозг находится внутри черепа и имеет форму гриба. Мозг состоит из четырех основных частей:

• ствол мозга
• головного мозга
• мозжечок
• промежуточный мозг

Мозг весит приблизительно от 1,3 до 1,4 кг. В нем есть нервные клетки, называемые нейронами, и поддерживающие клетки, называемые глия.

В головном мозге есть два типа вещества: серое вещество и белое вещество. Серое вещество принимает и хранит импульсы. Тела клеток нейронов и нейроглии находятся в сером веществе. Белое вещество в головном мозге передает импульсы к серому веществу и от него. Он состоит из нервных волокон (аксонов).

Ствол головного мозга

Ствол головного мозга также известен как продолговатый мозг. Он расположен между мостом и спинным мозгом и имеет длину всего около дюйма.

Головной мозг

Головной мозг образует основную часть мозга и опирается на ствол мозга.Головной мозг разделен на два полушария. Каждое полушарие контролирует деятельность стороны тела, противоположной этому полушарию.

Полушария делятся на четыре доли:

• Лобная доля
• Височные доли
• Теменная доля
• Затылочная доля

Мозжечок

Располагается позади и ниже головного мозга.

Промежуточный мозг

Промежуточный мозг включает таламус и гипоталамус.В таламусе объединяются сенсорные и другие импульсы.

Гипоталамус — меньшая часть промежуточного мозга.

Другие части головного мозга

Другие части мозга включают средний мозг и мост:

• средний мозг обеспечивает проводящие пути к верхним и нижним центрам и от них
• мост действует как путь к более высоким структурам; он содержит проводящие пути между продолговатым мозгом и высшими мозговыми центрами

Спинной мозг

Спинной мозг представляет собой длинную трубчатую структуру, отходящую от головного мозга.Спинной мозг состоит из 31 сегмента. Из каждого сегмента выходит пара спинномозговых нервов. Область спинного мозга, из которой берет начало пара спинномозговых нервов, называется спинным сегментом. И моторные, и сенсорные нервы расположены в спинном мозге.

Длина спинного мозга у взрослых женщин составляет около 43 см, у взрослых мужчин — 45 см, а вес — около 35-40 граммов. Он находится внутри позвоночного столба, совокупности костей (позвоночника).

Другие части центральной нервной системы

Менинги — это три слоя мембран, покрывающих головной и спинной мозг.Самый внешний слой — это твердая мозговая оболочка. Средний слой — паутинная оболочка, а самый внутренний — мягкая мозговая оболочка. Мозговые оболочки обеспечивают защиту головного и спинного мозга, выступая в качестве барьера против бактерий и других микроорганизмов.

Спинномозговая жидкость (CSF) циркулирует вокруг головного и спинного мозга. Он защищает и питает головной и спинной мозг.

Нейроны

Нейрон — основная единица нервной системы. Это специализированная клетка-проводник, которая принимает и передает электрохимические нервные импульсы.Типичный нейрон имеет клеточное тело и длинные руки, которые проводят импульсы от одной части тела к другой.

Кредит изображения: ShadeDesign / Shutterstock.com

Есть три разные части нейрона:

Клеточное тело нейрона

Тело клетки похоже на любую другую клетку с ядром или центром управления.

Дендриты

Тело клетки имеет несколько сильно разветвленных толстых выступов, которые выглядят как кабели и называются дендритами. Исключением является сенсорный нейрон, который имеет один длинный дендрит вместо множества дендритов.Моторные нейроны имеют несколько толстых дендритов. Функция дендрита — переносить нервный импульс в тело клетки.

Аксон

Аксон — это длинный тонкий отросток, который передает импульсы от тела клетки к другому нейрону или ткани. Обычно на нейрон приходится только один аксон.

Миелиновая оболочка

Нейрон покрыт миелиновой оболочкой или шванновскими клетками. Это белые сегментированные покрытия вокруг аксонов и дендритов многих периферических нейронов.Покрытие непрерывно вдоль аксонов или дендритов, за исключением точки окончания и узлов Ранвье.

Неврилемма — это слой шванновских клеток с ядром. Его функция заключается в восстановлении поврежденных нервов. Нервы головного и спинного мозга не имеют неврилеммы и не могут восстановиться при повреждении.

Типы нейронов

Нейроны в организме можно классифицировать по структуре и функциям. По структуре нейроны могут быть мультиполярными нейронами, биполярными нейронами и униполярными нейронами:

• Мультиполярные нейроны имеют один аксон и несколько дендритов.Они часто встречаются в головном и спинном мозге.
• Биполярные нейроны имеют один аксон и один дендрит. Они видны на сетчатке глаза, внутреннем ухе и обонятельной (обонятельной) области.
• Униполярные нейроны имеют один отросток, отходящий от тела клетки. Один отросток делится, одна часть действует как аксон и функционирует как дендрит. Они видны в спинном мозге.

Периферическая нервная система

Периферическая нервная система состоит из двух частей:

• Соматическая нервная система
• Вегетативная нервная система

Соматическая нервная система

Соматическая нервная система состоит из периферических нервных волокон, которые собирают сенсорную информацию или ощущения от периферических или удаленных органов (находящихся далеко от мозга, таких как конечности) и переносят их в центральную нервную систему.

Они также состоят из двигательных нервных волокон, которые выходят из мозга и передают скелетным мышцам сообщения о движении и необходимых действиях. Например, при прикосновении к горячему объекту сенсорные нервы передают информацию о тепле в мозг, который, в свою очередь, через двигательные нервы приказывает мышцам руки немедленно отвести его.

Весь процесс занимает меньше секунды. Тело клетки нейрона, несущее информацию, часто находится в головном или спинном мозге и проецируется непосредственно на скелетную мышцу.

Вегетативная нервная система

Другая часть нервной системы — это вегетативная нервная система. Он состоит из трех частей:

• Симпатическая нервная система
• Парасимпатическая нервная система
• Кишечная нервная система

Эта нервная система контролирует нервы внутренних органов тела, над которыми у людей нет сознательного контроля. Это включает сердцебиение, пищеварение, дыхание (кроме осознанного дыхания) и т. Д.

Нервы вегетативной нервной системы иннервируют гладкие непроизвольные мышцы (внутренних органов) и желез и заставляют их функционировать и выделять свои ферменты.

Кишечная нервная система — это третья часть вегетативной нервной системы. Кишечная нервная система представляет собой сложную сеть нервных волокон, которые иннервируют органы брюшной полости, такие как желудочно-кишечный тракт, поджелудочная железа, желчный пузырь и т. Д. Она содержит почти 100 миллионов нервов.

Изображение предоставлено: MattLphotography / Shutterstock.com

Нейроны периферической нервной системы

Самый маленький работник нервной системы — нейрон. Существует один преганглионарный нейрон для каждой цепи импульсов или один перед телом клетки или ганглием, который подобен центральному контролирующему органу для множества нейронов, выходящих периферически.

Преганглионарный нейрон расположен в головном или спинном мозге. В вегетативной нервной системе этот преганглионарный нейрон проецируется на вегетативный ганглий.Затем постганглионарный нейрон проецируется на целевой орган.

Между центральной нервной системой и органом-мишенью в соматической нервной системе находится только один нейрон, в то время как вегетативная нервная система использует два нейрона.

Список литературы

Дополнительная литература

Нейронная система — обзор

Нейронные цепи, отвечающие за контроль выброса гонадолиберина с помощью стероидов яичников

Две нейронные системы, участвующие в индукции выброса гонадолиберина у нескольких видов: (1) NE, одна из идентифицирован самый старый; и (2) кисспептин, одно из новейших достижений в этой области.NE (наряду с ацетилхолином) был первоначально определен как играющий роль в преовуляторном выбросе ЛГ в классической работе конца 1940-х годов, демонстрирующей, что антагонист α-адренорецепторов, дибенамин, блокировал овуляцию как у кроликов ³² , так и у крыс ²⁷ ( Рисунок 33.2). С тех пор накопилось множество данных, подтверждающих эту гипотезу по нескольким видам. Как указано в другом месте, ^6,7 наиболее убедительный аргумент в пользу ключевой роли NE исходит из работы на кроликах и включает доказательства того, что половой акт вызывает высвобождение NE в среднем возвышении непосредственно перед увеличением секреции GnRH (Рисунок 33.9). ²²⁷ Эта временная корреляция отражает стимулирующий эффект NE на секрецию GnRH, потому что: (1) экзогенный NE индуцирует секрецию LH ²⁵⁰ и GnRH ²⁵¹ в интактных и OVX + E, но не OVX, ²⁴⁹ ; и (2) антагонист α ₁ -адренергических рецепторов блокирует индуцированное половым актом увеличение секреции GnRH. ²⁵² Чтобы поместить эту систему в ее физиологический контекст: тактильные стимулы из влагалища и шейки матки инициируют потенциалы действия, которые перемещаются вверх по спинному мозгу, чтобы стимулировать нейроны NE ствола мозга, вероятно, через холинергический путь. ²⁵³ Группы NE клеток A1 (продолговатый мозг), A2 (ядро одиночного тракта) и A6 (голубое пятно) проецируются в гипоталамус и активируются при коитусе. ^253–255 Таким образом, высвобождение NE из их эфферентов стимулирует высвобождение GnRH за счет действий на обоих концах GnRH в среднем возвышении ^227,256 и телах клеток GnRH по всей POA и MBH. ²³⁵ Есть некоторые свидетельства того, что группы A1 и A2 могут стимулировать группу A6 и что последняя помогает продлить высвобождение NE в гипоталамусе. ^7,253 Несмотря на это предположение, механизмы, с помощью которых короткий (1–3 мин) половой акт преобразуется в высвобождение NE и, таким образом, GnRH, который длится 2–3 часа, остаются загадкой.

РИСУНОК 33.9. Влияние полового акта (стрелка) на средние (± SEM) концентрации норэпинефрина (NE; сплошные символы и линии) и GnRH (открытые символы и пунктирная линия), измеренные в двухтактных перфузиях, собираемых каждые 2,5 мин от среднего возвышения кролика ( n = 6). Данные усреднены с участков отдельных животных. ²²⁷ ∗ Первое статистически значимое увеличение NE и GnRH по сравнению с значениями до спаривания.

Имеются очень ограниченные данные о роли NE в других рефлекторных овуляторах, но имеется значительная информация о роли этого нейромедиатора в выбросе ЛГ у крыс, овец и обезьян. Единственное другое исследование рефлекторных овуляторов показало, что половой акт увеличивал экспрессию Fos в нейронах A6 NE, но не в группе A1 у хорьков. ²⁵⁷ Интересно, что нейроны A2 NE обнаруживают повышенное Fos в ответ как на коитус, так и на мужские феромоны, что позволяет предположить, что они активируются в первую очередь хемосенсорными сигналами.У спонтанных овуляторов высвобождение NE (оцениваемое с помощью микродиализа или скорости оборота) увеличивается в POA и медиане возвышения до и во время преовуляторного всплеска ЛГ у крыс, ^{258 259} овец, ^260–262 и обезьян. ²⁶³ Эти виды различаются по источнику этого входа NE; как группы A2 ^264–266 , так и группы A6 ^267–269 NE, по-видимому, важны для крыс, тогда как группы NE A1 ^{270 271} и A6 ²⁶³ NE были задействованы у овец и обезьян, соответственно.Относительная важность NE для нормального выброса также варьируется у этих видов (рис. 33.8), при этом альфа-адренергические антагонисты полностью блокируют выброс у крыс, ^27,259 , но не оказывают никакого эффекта у приматов. ⁴¹ Овца, по-видимому, находится между этими двумя крайностями, поскольку феноксибензамин, норадренергический антагонист, задерживает или блокирует индуцированный эстрогеном всплеск у некоторых, но не у всех овец, хотя у некоторых животных ингибирование может отражать неспецифические эффекты из-за высокой доза, использованная в этом исследовании. ²⁷² Следует также отметить, что NE не является абсолютно необходимым для выброса ЛГ даже у крыс, потому что хроническое нарушение всех входов NE из ствола мозга не блокирует способность эстрогена вызывать выбросы у этого вида. ¹⁵⁰ Таким образом, было высказано предположение, что NE действует как вспомогательный агент у крыс, увеличивая чувствительность нейронов GnRH к другим стимулирующим воздействиям, которые вызывают преовуляторный выброс GnRH. ²⁶⁴ Таким образом, NE играет важную стимулирующую роль в преовуляторном выбросе гонадолиберина, но его важность варьируется от обязательного для кроликов до вспомогательного для крыс (и, возможно, овец), до избыточного для обезьян.

Растет консенсус в отношении того, что ростральная популяция кисспептина играет ключевую роль в индуцированном эстрогеном всплеске ЛГ. У грызунов эта популяция сконцентрирована в RP3V, тогда как у других млекопитающих она более разбросана в POA. Имеются очень веские доказательства того, что нейроны кисспептина RP3V опосредуют положительную обратную связь E ₂ у грызунов, ³ и существенные доказательства аналогичной роли популяции кисспептина POA у овец. ² E ₂ также увеличивает экспрессию кисспептина в этой области у морских свинок ²⁷³ и мускусных землероек, ²²³ , но, по-видимому, не у хомяков, ²⁷⁴ и экспрессия Fos увеличивается в этих ростральных нейронах кисспептина во время всплеск у всех этих видов.В этой связи интересно отметить, что пони-кобылы являются одним из видов, у которых ростральные нейроны кисспептина не были идентифицированы, ²⁷⁵ , что может быть связано с очевидным отсутствием положительной обратной связи E ₂ у этого вида. ⁴³

Хотя предлагаемая функциональная дихотомия в ролях ростральной (положительная обратная связь) и ARC кисспептина (отрицательная обратная связь) популяций в действиях E ₂ в значительной степени подтверждается данными, полученными на грызунах, она может быть неприменима к другим разновидность.В частности, у овец ² и морских свинок ²⁷³ есть доказательства того, что популяция кисспептина ARC участвует как в отрицательной, так и в положительной обратной связи E ₂ ; последний эффект согласуется с сайтами положительной обратной связи E ₂ в MBH у этих видов (как обсуждается в этой главе). Отражает ли это субпопуляции нейронов кисспептина ARC, отвечающих за различные эффекты этого стероида, или разные ответы одних и тех же нейронов на высокие и низкие концентрации E ₂ , требует дальнейшего изучения, но недавний отчет об овцах свидетельствует в пользу последнего. ²⁷⁶ Также важно отметить, что эта модель основана на данных, полученных от ограниченного числа видов (в первую очередь крыс, мышей и овец), поэтому в настоящее время необходимо проявлять осторожность, обобщая ее на других млекопитающих. В частности, хотя ясно, что кисспептин имеет решающее значение для секреции GnRH у людей ^{277 278} и что экспрессия кисспептина в ARC увеличивается у женщин в постменопаузе, ²²⁴ мало что известно о физиологической роли кисспептина в контроле менструального цикла у женщин. обезьяны ¹ и ничего не говорится о его роли в контроле менструального цикла у женщин.

В то время как NE и кисспептин участвуют в действиях положительной обратной связи E ₂ , EOP, по-видимому, опосредуют способность прогестерона блокировать выброс гонадолиберина у крыс. ²⁷⁹ Напротив, EOP играют небольшую роль или не играют никакой роли в опосредовании способности прогестерона блокировать выброс ЛГ у обезьян ²⁸⁰ или овец. ² Эти видовые различия могут отражать различия в роли EOP в нормальном выбросе ЛГ. У крыс удаление эндогенного тонуса EOP играет важную роль в контроле выброса ЛГ, ²⁸¹ , но антагонисты EOP не способствуют увеличению выброса ЛГ у овец ² , и нет никаких доказательств того, что отмена EOP важна для приматов. ²⁸⁰

При сравнении нейронных областей и систем, способствующих преовуляторному выбросу гонадолиберина у разных видов, очевиден интересный континуум (рис. 33.8). На одном конце расположены рефлекторные овуляторы, примером которых является кролик, у которых нейронные сигналы во время полового акта стимулируют нейроны NE ствола мозга, вход которых абсолютно необходим для выброса гонадолиберина. На другом конце находятся нечеловеческие приматы, у которых не требуется нервный ввод (включая NE) в МБГ для выброса ЛГ, и люди, у которых нет прямых доказательств того, что секреция ГнРГ увеличивается во время выброса ЛГ.В этом континууме овцы и морские свинки кажутся ближе к приматам, чем кролики, а крысы кажутся ближе к кроликам. У первых видов вход извне MBH увеличивает амплитуду выброса GnRH, но для этого не является необходимым, и роль NE сомнительна. У крыс для преовуляторного выброса ЛГ обычно требуются как вход от POA, так и стимуляция NE, хотя компенсаторные механизмы могут заменить вход NE, если он хронически истощен. Сходство между крысами и кроликами дополнительно подчеркивается доказательствами того, что крысы могут стать рефлекторными овуляторами при некоторых обстоятельствах. ^{282 283} Интересно, что один из этих примеров связан с нарушением входов от SCN к POA, ²⁸³ , так что концептуально входные данные от биологических часов в SCN могли заменить стимул от коитуса у крысы. Вклад NE в всплеск GnRH у крыс может также отражать распространение NE в гипоталамус, который важен для всплеска пролактина в проэструсе ²⁸⁴ и опосредует индуцированное половым актом увеличение секреции пролактина, ответственного за псевдобеременность у крыс. ²⁸⁵

Наконец, интересно отметить сходный континуум в половой дифференциации всплеска GnRH у спонтанных овуляторов. Все виды демонстрируют половой диморфизм в действиях положительной обратной связи E ₂ , в том смысле, что этот стероид не может вызвать выброс ЛГ у взрослых самцов с нормальной функцией яичек, хотя основа этого полового диморфизма варьируется у разных видов. У крыс отсутствие положительной обратной связи вызвано организационными действиями тестостерона во время развития, которые дифференцируют систему всплеска по половому признаку, так что она не может реагировать на E ₂ ни при каких обстоятельствах. ²⁸⁶ Напротив, E ₂ индуцировал сильный выброс ЛГ у самцов обезьян, кастрированных во взрослом возрасте ²⁸⁷ и у мужчин с гипогонадизмом. ²⁸⁸ Более того, у некоторых самцов обезьян наблюдались явно нормальные циклы яичников, когда яички заменялись яичниками, ²⁸⁹ , в то время как аналогичные процедуры у крыс приводили к постоянной течке. ¹¹ С исторической точки зрения, эти наблюдения подкрепили исследования ножевых ран, которые показали, что существуют фундаментальные различия в нервных механизмах, контролирующих выброс ЛГ у приматов и крыс. ¹⁵² Овцы, по-видимому, находятся между этими двумя крайностями, потому что воздействие андрогенов во время развития маскулинизирует выброс ЛГ у самок, получавших имплантат E ₂ неонатально, но происходит это только в более позднем возрасте у самок с интактными яичниками, ²⁹⁰ возможно, из-за маскулинизирующего эффекта длительного воздействия E ₂ после рождения. ²⁹¹

Нервная система — Scholarpedia

Эта статья еще не опубликована; он может содержать неточности, неутвержденные изменения или быть незаконченным.

Нервная система — это часть тела животного, которая координирует его поведение и передает сигналы между различными частями тела. У позвоночных он состоит из двух основных частей, называемых центральной нервной системой (ЦНС) и периферической нервной системой (ПНС). ЦНС включает головной и спинной мозг. ПНС состоит в основном из нервов, которые представляют собой длинные волокна, которые соединяют ЦНС со всеми остальными частями тела, но также включает другие компоненты, такие как периферические ганглии, симпатические и парасимпатические ганглии, а также кишечную нервную систему, полунезависимую часть тела. нервная система, функция которой заключается в управлении желудочно-кишечным трактом.

На клеточном уровне нервная система определяется наличием особого типа клетки, называемого нейроном, также известного как «нервная клетка». Нейроны обладают особыми свойствами, которые позволяют им быстро и точно посылать сигналы другим клеткам. Они посылают эти сигналы в виде электрохимических волн, распространяющихся по тонким волокнам, называемым аксонами, которые вызывают высвобождение химических веществ, называемых нейротрансмиттерами, в соединениях с другими нейронами, называемыми синапсами. Клетка, которая получает синаптический сигнал от нейрона (постсинаптического нейрона), может быть возбуждена, подавлена ​​или иным образом модулирована.Связи между нейронами образуют нейронные цепи, которые могут генерировать очень сложные модели динамической активности. Наряду с нейронами нервная система также содержит другие специализированные клетки, называемые глиальными клетками (или просто глия), которые обеспечивают структурную и метаболическую поддержку. Недавние данные свидетельствуют о том, что глия также может играть важную сигнальную роль.

Нервные системы встречаются почти у всех многоклеточных животных, но сильно различаются по сложности. Единственные многоклеточные животные, у которых вообще нет нервной системы, — это губки и микроскопические каплевидные организмы, называемые плакозоями и мезозоями.Нервная система гребневиков (гребневиков) и книдарий (например, анемонов, гидр, кораллов и медуз) состоит из диффузной нервной сети. У всех других видов животных, за исключением иглокожих и некоторых видов червей, есть нервная система, содержащая мозг, центральный шнур (или два шнура, идущие параллельно) и нервы, исходящие от головного мозга и центрального шнура. Размер нервной системы колеблется от нескольких сотен клеток у простейших червей до порядка 100 миллиардов клеток у человека.

На самом базовом уровне функция нервной системы состоит в том, чтобы контролировать движения организма и влиять на окружающую среду (например, через феромоны). Это достигается путем отправки сигналов от одной клетки к другим или от одной части тела к другим. Выходной сигнал нервной системы поступает из сигналов, которые проходят к мышечным клеткам, вызывая активацию мышц, и из сигналов, которые проходят к эндокринным клеткам, вызывая выброс гормонов в кровоток или другие внутренние жидкости.Вход в нервную систему поступает от сенсорных клеток самых разных типов, которые преобразуют физические параметры, такие как свет и звук, в нейронную активность. Внутренне нервная система содержит сложные сети связей между нервными клетками, которые позволяют ей генерировать паттерны активности, лишь частично зависящие от сенсорных входов. Нервная система также способна сохранять информацию с течением времени, динамически изменяя силу связей между нейронами, а также другие механизмы.

Структура

Нервная система получила свое название от нервов, которые представляют собой цилиндрические пучки волокон, которые исходят из головного мозга и центрального шнура и многократно разветвляются, чтобы иннервировать каждую часть тела. Нервы достаточно велики, чтобы их могли распознать древние египтяне, греки и римляне (Finger, 2001, глава 1), но их внутренняя структура не была изучена до тех пор, пока не стало возможным исследовать их с помощью микроскопа. Исследование под микроскопом показывает, что нервы состоят в основном из аксонов нейронов, а также из множества мембран, которые их окружают.Нейроны, дающие начало нервам, обычно не лежат внутри самих нервов — их клеточные тела находятся в головном мозге, центральном канатике или периферических ганглиях.

У всех животных, более производных, чем губки, есть нервная система. Однако даже губки, одноклеточные животные и неживотные, такие как слизистые плесени, обладают межклеточными сигнальными механизмами, которые являются предшественниками механизмов нейронов (Sakarya et al. , 2007). У радиально-симметричных животных, таких как медузы и гидры, нервная система состоит из диффузной сети изолированных клеток.У двухсторонних животных, которые составляют подавляющее большинство существующих видов, нервная система имеет общую структуру, которая возникла в начале кембрийского периода, более 500 миллионов лет назад.

Ячейки

Нервная система состоит из двух основных категорий или типов клеток: нейронов и глиальных клеток.

Нейроны

Нервная система определяется наличием особого типа клетки, нейрона (иногда называемого «нейроном» или «нервной клеткой»). Нейроны можно отличить от других клеток множеством способов, но их наиболее фундаментальное свойство состоит в том, что они общаются с другими клетками через синапсы, которые представляют собой соединения, содержащие молекулярные механизмы, которые позволяют быстро передавать сигналы, электрические или химические.Многие типы нейронов обладают аксоном, протоплазматическим выступом, который может распространяться на отдаленные части тела и устанавливать тысячи синаптических контактов. Аксоны часто проходят через тело в пучках, называемых нервами (в ПНС) или трактами (в ЦНС).

Даже в нервной системе одного вида, такого как человек, существуют сотни различных типов нейронов с большим разнообразием морфологии и функций. К ним относятся сенсорные нейроны, которые преобразуют физические стимулы, такие как свет и звук, в нервные сигналы, и моторные нейроны, которые преобразуют нервные сигналы в активацию мышц или желез.Однако у многих видов большинство нейронов получают все входные данные от других нейронов и отправляют свои выходные данные другим нейронам.

Глиальные клетки

Глиальные клетки (названные от греческого слова «клей») — это ненейрональные клетки, которые обеспечивают поддержку и питание, поддерживают гомеостаз, образуют миелин и участвуют в передаче сигналов в нервной системе (Allen, 2009). В настоящее время считается, что в человеческом мозге общее количество глии примерно равно количеству нейронов, хотя пропорции различаются в разных областях мозга (Azevedo et al., 2009 г.). Среди наиболее важных функций глиальных клеток — поддерживать нейроны и удерживать их на месте; снабжать нейроны питательными веществами; электрически изолировать нейроны; для уничтожения болезнетворных микроорганизмов и удаления мертвых нейронов; и предоставить подсказки, направляющие аксоны нейронов к их мишеням. Очень важный набор глиальных клеток (олигодендроциты в ЦНС позвоночных и шванновские клетки в ПНС) генерируют слои жирового вещества, называемого миелином, которые обволакивают аксоны и обеспечивают электрическую изоляцию, которая позволяет им передавать сигналы намного быстрее и эффективнее.

Анатомия позвоночных

Рисунок 1: Основные отделы нервной системы позвоночных.

Нервная система позвоночных животных делится на две части, называемые центральной нервной системой (ЦНС) и периферической нервной системой (ПНС).

ЦНС является самой большой частью и включает головной и спинной мозг. ЦНС окружена и защищена мозговыми оболочками, трехслойной системой мембран, включая жесткий кожистый внешний слой, называемый dura mater .Мозг также защищен черепом, а спинной мозг — позвоночными костями. Кровеносные сосуды, входящие в ЦНС, окружены клетками, которые образуют плотный химический барьер, называемый гематоэнцефалическим барьером, препятствуя проникновению многих типов химических веществ, присутствующих в организме, в ЦНС.

Периферическая нервная система (ПНС) — это собирательный термин для структур нервной системы, которые не находятся в ЦНС. Считается, что подавляющее большинство пучков аксонов, называемых нервами, принадлежит ПНС, даже если клеточные тела нейронов, которым они принадлежат, находятся в головном или спинном мозге.ПНС делится на «соматическую» и «висцеральную» части. Соматическая часть состоит из нервов, иннервирующих кожу, суставы и мышцы. Тела соматических сенсорных нейронов лежат в ганглии задних корешков спинного мозга. Висцеральная часть, также известная как вегетативная нервная система, содержит нейроны, которые иннервируют внутренние органы, кровеносные сосуды и железы. Сама вегетативная нервная система состоит из двух частей: симпатической нервной системы и парасимпатической нервной системы.Некоторые авторы также включают сенсорные нейроны, чьи клеточные тела лежат на периферии (для таких органов чувств, как слух), как часть ПНС; другие, однако, опускают их (Hubbard, 1974, стр. vii).

Нервную систему позвоночных также можно разделить на области, называемые серым веществом («серое вещество» в британском правописании) и белым веществом. Серое вещество (которое является только серым в консервированной ткани и лучше описывается как розовое или светло-коричневое в живой ткани) содержит большую долю клеточных тел нейронов.Белое вещество состоит в основном из аксонов, покрытых миелином, и принимает свой цвет от миелина. Белое вещество включает в себя все нервы тела и большую часть внутренних частей головного и спинного мозга. Серое вещество находится в скоплениях нейронов головного и спинного мозга, а также в корковых слоях, выстилающих их поверхности. Существует анатомическое соглашение, согласно которому кластер нейронов в головном мозге называется «ядром», тогда как кластер нейронов на периферии называется «ганглием». Однако есть несколько исключений из этого правила, в частности, часть мозга, называемая базальными ганглиями.

Сравнительная анатомия и эволюция

Нейронные предшественники в губках

У губок нет клеток, связанных друг с другом синаптическими соединениями, то есть у них нет нейронов и, следовательно, нет нервной системы. Однако у них есть гомологи многих генов, которые играют ключевую роль в синаптической функции у других животных. Недавние исследования показали, что клетки губок экспрессируют группу белков, которые группируются вместе, образуя структуру, напоминающую постсинаптическую плотность (принимающая сигнал часть синапса) (Sakarya, 2007).Однако функция этой структуры в настоящее время неясна. Хотя клетки губки не демонстрируют синаптической передачи, они взаимодействуют друг с другом посредством волн кальция и других импульсов, которые опосредуют некоторые простые действия, такие как сокращение всего тела (Jacobs et al. , 2007).

Радиата

Медузы, гребневики и родственные им животные имеют диффузные нервные сети, а не центральную нервную систему. У большинства медуз нервная сеть более или менее равномерно распределена по телу; в гребешках он сконцентрирован около рта.Нервные сети состоят из сенсорных нейронов, которые улавливают химические, тактильные и визуальные сигналы; мотонейроны, которые могут активировать сокращения стенки тела; и промежуточные нейроны, которые обнаруживают паттерны активности сенсорных нейронов и в ответ посылают сигналы группам двигательных нейронов. В некоторых случаях группы промежуточных нейронов группируются в отдельные ганглии (Ruppert et al. , 2004).

Развитие нервной системы у лучистых мышц относительно неструктурировано.В отличие от bilaterians, у radiata есть только два первичных клеточных слоя, энтодерма и эктодерма. Нейроны генерируются из особого набора эктодермальных клеток-предшественников, которые также служат предшественниками для всех других типов эктодермальных клеток (Sanes et al. , 2006).

Билатерия

Рисунок 2: Нервная система типичного двунаправленного животного в виде нервного канатика с сегментарными увеличениями и «мозгом» спереди. (Примечание: на этом рисунке нервный шнур показан на дорсальной стороне тела, но, как объясняется в статье, у протостомов он обычно лежит на вентральной стороне.)

Подавляющее большинство существующих животных — билатерии, то есть животные, у которых левая и правая стороны являются приблизительными зеркальными отображениями друг друга. Считается, что все bilateria произошли от общего червеобразного предка, который появился в кембрийский период, 550–600 миллионов лет назад (Balavoine, 2003). Основная форма билатерального тела представляет собой трубку с полой кишкой, проходящей ото рта к анусу, и нервный тяж (или два параллельных нервных тяжа) с расширением («ганглием») для каждого сегмента тела с особенно большим ганглием. спереди, называемый «мозгом».Окончательно не установлено, унаследована ли родовая форма билатерианской центральной нервной системы от так называемых «урбилатерий» — последнего общего предка всех существующих билатерий — или отдельные линии развивали аналогичные структуры параллельно (Northcutt, 2012 ). С одной стороны, наличие общего набора генетических маркеров, а также трехчастной структуры мозга, характерной для широко разделенных видов (Hirth, 2010), предполагают общее происхождение; с другой стороны, тот факт, что у некоторых современных типов билатерий (таких как иглокожие) отсутствует центральный нервный шнур, в то время как у многих нет явно трехчастного мозга, предполагает, что это могло быть примитивным состоянием (Northcutt, 2012).

Позвоночные, кольчатые червяки, ракообразные и насекомые — все демонстрируют сегментированный билатериальный план тела на уровне нервной системы. У млекопитающих спинной мозг содержит серию сегментарных ганглиев, каждый из которых дает начало двигательным и сенсорным нервам, которые иннервируют часть поверхности тела и подлежащую мускулатуру. На конечностях схема иннервации сложна, но на туловище она дает серию узких полос. Три верхних сегмента принадлежат головному мозгу, давая начало переднему, среднему и заднему мозгу (Ghysen, 2003).

Bilaterians могут быть разделены на основе событий, которые происходят на очень ранних стадиях эмбрионального развития, на две группы (superphyla), называемые протостомами и дейтеростомами (Erwin et al. , 2002). Deuterostomes включают позвоночных, а также иглокожих, гемихордовых (в основном желудевых червей) и Xenoturbellidans (Bourlat et al. , 2006). Протостомы, более разнообразная группа, включают членистоногих, моллюсков и многочисленные типы червей. Между этими двумя группами существует фундаментальное различие в расположении нервной системы внутри тела: протостомы имеют нервный шнур на вентральной (обычно нижней) стороне тела, тогда как у дейтеростомов нервный шнур находится на дорсальной (обычно верхней) стороне тела. ) боковая сторона.Фактически, многие аспекты тела инвертируются между двумя группами, включая паттерны экспрессии нескольких генов, которые демонстрируют градиенты от дорсального к вентральному. Большинство анатомов в настоящее время считают, что тела протостомов и дейтеростомов «перевернуты» относительно друг друга, — гипотеза, которая была впервые предложена Жоффруа Сен-Илером для насекомых по сравнению с позвоночными. Так, например, у насекомых есть нервные связки, которые проходят вдоль средней линии вентральной части тела, в то время как у всех позвоночных спинной мозг проходит вдоль средней линии спины (Lichtneckert and Reichert, 2005).

Аннелиды

Рисунок 3: Нервная система дождевого червя. Вверху: вид сбоку на переднюю часть червяка. Внизу: Изолированная нервная система, вид сверху.

Черви — простейшие двустворчатые животные, наиболее очевидным образом раскрывающие основную структуру двуногой нервной системы. Например, у дождевых червей есть двойные нервные тяжи, проходящие по длине тела и сливающиеся у хвоста и рта. Эти нервные связки соединены друг с другом поперечными нервами, напоминающими ступеньки лестницы.Эти поперечные нервы помогают координировать движения двух сторон животного. Два узла на головном конце функционируют как простой мозг. Фоторецепторы в глазных точках животного предоставляют сенсорную информацию о свете и темноте (Adey, WR).

Экдизозоа

Экдизозоа — животные, теряющие кутикулу. К ним относятся нематоды и членистоногие.

Нематоды

Нервная система одного особого типа нематод, крошечного круглого червя Caenorhabditis elegans , была нанесена на карту вплоть до синаптического уровня.Это стало возможным, потому что у этого вида каждый отдельный червь (без учета мутаций и половых различий) имеет идентичный набор нейронов, с одинаковым расположением и химическими характеристиками и такими же связями с другими клетками. Каждый нейрон и его клеточная линия были записаны, и большая часть, если не все, нейронные связи нанесены на карту. Нервная система C. elegans сексуально диморфна; нервные системы обоих полов, мужчин и гермафродитов, имеют разное количество нейронов и групп нейронов, которые выполняют специфичные для пола функции.У мужчин ровно 383 нейрона, а у гермафродитов — ровно 302 нейрона (Hobert, 2005), необычная особенность, называемая эвтилией.

Членистоногие

Членистоногие, такие как насекомые и ракообразные, имеют нервную систему, состоящую из ряда ганглиев, соединенных парой вентральных нервных тяжей, идущих вдоль брюшной полости (Chapman, 1998). Большинство сегментов тела имеют по одному ганглию с каждой стороны, но некоторые из них сливаются, образуя мозг и другие большие ганглии. Головной сегмент содержит головной мозг, также известный как надпищеводный ганглий.В нервной системе насекомых мозг анатомически разделен на протоцеребрум, дейтоцеребрум и тритоцеребрум. Сразу за головным мозгом находится подэзофагеальный ганглий, который состоит из трех пар сросшихся ганглиев. Он контролирует ротовой аппарат, слюнные железы и определенные мышцы. У многих членистоногих хорошо развиты органы чувств, в том числе сложные глаза для зрения и антенны для обоняния и ощущения феромонов. Сенсорная информация от этих органов обрабатывается мозгом.

У членистоногих большинство нейронов имеют клеточные тела, расположенные на краю мозга и электрически пассивные — тела клеток служат только для обеспечения метаболической поддержки и не участвуют в передаче сигналов. Протоплазматическое волокно, называемое первичным нейритом, проходит от тела клетки и обильно разветвляется, при этом некоторые части передают сигналы, а другие части принимают сигналы. Таким образом, большинство частей мозга насекомых имеет тела пассивных клеток, расположенных по периферии, в то время как обработка нервных сигналов происходит в клубке протоплазматических волокон, называемых «нейропилем», внутри (Chapman, 1998).Однако есть важные исключения из этого правила, в том числе грибовидные тела, которые играют центральную роль в обучении и памяти.

«Идентифицированные» нейроны

Нейрон называется , идентифицирован , если он обладает свойствами, которые отличают его от любого другого нейрона того же животного — например, местоположение, нейротрансмиттер, паттерн экспрессии генов и связность — и если каждый отдельный организм, принадлежащий к одному виду, имеет один и тот же вид. только один нейрон с таким же набором свойств (Hoyle, Wiersma, 1977).В нервных системах позвоночных очень немногие нейроны «идентифицируются» в этом смысле — считается, что у людей их нет — но в более простых нервных системах некоторые или все нейроны могут быть, таким образом, уникальными. Как упоминалось выше, у круглого червя Caenorhabditis Elegans каждый нейрон в организме однозначно идентифицируется, с одним и тем же расположением и одинаковыми связями в каждом отдельном черве.

Мозг многих моллюсков и насекомых также содержит значительное количество идентифицированных нейронов (Hoyle and Wiersma, 1977).У позвоночных наиболее известными идентифицированными нейронами являются гигантские клетки Маутнера рыб (Stein, 1999). У каждой рыбы есть две клетки Маутнера, расположенные в нижней части ствола мозга, одна с левой стороны, а другая с правой. Каждая клетка Маутнера имеет аксон, который пересекает, иннервируя нейроны на том же уровне мозга, а затем движется вниз по спинному мозгу, создавая многочисленные связи на своем пути. Синапсы, генерируемые клеткой Маутнера, настолько мощны, что единственный потенциал действия вызывает серьезную поведенческую реакцию: в течение миллисекунд рыба изгибает свое тело в С-образную форму, затем выпрямляется, тем самым быстро продвигаясь вперед.Функционально это быстрая реакция на побег, которая наиболее легко запускается сильной звуковой волной или волной давления, ударяющейся о орган боковой линии рыбы. Клетки Маутнера — не единственные идентифицированные нейроны у рыб — существует еще около 20 типов, включая пары «аналогов клеток Маутнера» в каждом сегментарном ядре спинного мозга. Хотя клетка Маутнера сама по себе способна вызвать реакцию избегания, в контексте обычного поведения другие типы клеток обычно вносят вклад в формирование амплитуды и направления реакции.

Клетки Маутнера были описаны как «командные нейроны». Командный нейрон — это особый тип идентифицированного нейрона, определяемый как нейрон, который способен индивидуально управлять определенным поведением (Stein, 1999, стр. 112). Такие нейроны чаще всего появляются в системах быстрого спасения различных видов — гигантский аксон кальмара и гигантский синапс кальмара, используемые для новаторских экспериментов в нейрофизиологии из-за своего огромного размера, оба участвуют в схеме быстрого побега кальмара.Однако концепция командного нейрона стала противоречивой из-за исследований, показывающих, что некоторые нейроны, которые первоначально казались соответствующими описанию, действительно были способны вызывать реакцию только в ограниченном наборе обстоятельств (Simmons and Young, 1999).

Функция

Конечная функция нервной системы — контролировать тело, особенно его движения в окружающей среде. Он делает это путем извлечения информации из окружающей среды с помощью сенсорных рецепторов, отправки сигналов, которые кодируют эту информацию, в центральную нервную систему, обработки информации для определения соответствующей реакции и отправки выходных сигналов мышцам или железам для активации реакции.Эволюция сложной нервной системы позволила различным видам животных обрести расширенные возможности восприятия, такие как зрение, сложные социальные взаимодействия, быстрая координация систем органов и интегрированная обработка параллельных сигналов. У людей развитая нервная система делает возможным язык, абстрактное представление концепций, передачу культуры и многие другие особенности человеческого общества, которые не существовали бы без человеческого мозга.

На самом базовом уровне нервная система посылает сигналы от одной клетки к другим или от одной части тела к другим.Есть несколько способов, которыми ячейка может посылать сигналы другим ячейкам. Один из них — высвобождение химических веществ, называемых гормонами, во внутреннюю циркуляцию, чтобы они могли распространяться в отдаленные места. В отличие от этого «широковещательного» режима передачи сигналов, нервная система обеспечивает сигналы «точка-точка» — нейроны проецируют свои аксоны на определенные целевые области и создают синаптические связи с конкретными целевыми клетками. Таким образом, нейронная передача сигналов имеет гораздо более высокий уровень специфичности, чем передача гормональных сигналов.Кроме того, он намного быстрее: самые быстрые нервные сигналы передаются со скоростью, превышающей 100 метров в секунду.

Нейроны и синапсы

Рисунок 4: Основные элементы синаптической передачи. Электрохимическая волна, называемая потенциалом действия, проходит по аксону нейрона. Когда волна достигает синапса, она вызывает высвобождение молекул нейромедиатора, которые связываются с молекулами химических рецепторов, расположенными в мембране клетки-мишени.

Большинство нейронов посылают сигналы через свои аксоны, хотя некоторые типы способны излучать сигналы от своих дендритов.Фактически, некоторые типы нейронов, такие как амакриновые клетки сетчатки, не имеют аксонов и общаются только через свои дендриты. Нейронные сигналы распространяются по аксону в форме электрохимических волн, называемых потенциалами действия, которые излучают межклеточные сигналы в точках контакта, называемых «синапсами».

Синапсы могут быть электрическими или химическими. Электрические синапсы пропускают ионы непосредственно между нейронами (Hormuzdi et al. , 2004), но химические синапсы гораздо более распространены и гораздо более разнообразны по функциям.В химическом синапсе клетка, которая посылает сигналы, называется пресинаптической, а клетка, которая принимает сигналы, называется постсинаптической. Как пресинаптические, так и постсинаптические области контакта заполнены молекулярными механизмами, которые осуществляют процесс передачи сигналов. Пресинаптическая область содержит большое количество крошечных сферических сосудов, называемых синаптическими пузырьками, заполненных химическими веществами-медиаторами. Когда кальций попадает в пресинаптический терминал через потенциалзависимые кальциевые каналы, активируется множество молекул, встроенных в мембрану, и заставляет содержимое некоторых везикул высвобождаться в узкое пространство между пресинаптической и постсинаптической мембранами, называемое синаптической щелью.Затем нейромедиатор связывается с химическими рецепторами, встроенными в постсинаптическую мембрану, в результате чего они переходят в активированное состояние. В зависимости от типа рецептора действие на постсинаптическую клетку может быть более сложным возбуждающим, тормозящим или модулирующим. Например, высвобождение нейромедиатора ацетилхолина при синаптическом контакте между двигательным нейроном и мышечной клеткой деполяризует мышечную клетку и запускает серию событий, которые приводят к сокращению мышечной клетки.Весь процесс синаптической передачи занимает лишь долю миллисекунды, хотя воздействие на постсинаптическую клетку может длиться намного дольше (даже бесконечно, в тех случаях, когда синаптический сигнал приводит к образованию следа памяти).

Существуют буквально сотни различных типов синапсов даже в пределах одного вида. Фактически, существует более сотни известных химических нейротрансмиттеров, и многие из них активируют несколько типов рецепторов. Многие синапсы используют более одного нейромедиатора — обычно синапс использует один быстродействующий низкомолекулярный нейромедиатор, такой как глутамат или ГАМК, вместе с одним или несколькими пептидными нейротрансмиттерами, которые играют более медленные модулирующие роли.Нейробиологи обычно делят рецепторы на две широкие группы: ионные каналы, управляемые лигандами, и рецепторы, связанные с G-белком (GPCR), которые полагаются на передачу сигналов второго мессенджера. Когда активируется ионный канал, управляемый лигандом, он открывает канал, который позволяет определенным типам ионов проходить через мембрану. В зависимости от типа иона воздействие на клетку-мишень может быть возбуждающим или тормозящим, поскольку мембранный потенциал приближается или отходит от порогового значения для запуска потенциала действия.Когда GPCR активируется, он запускает каскад молекулярных взаимодействий внутри клетки-мишени, которые в конечном итоге могут вызывать широкий спектр сложных эффектов, таких как повышение или снижение чувствительности клетки к стимулам или даже изменение транскрипции гена.

Согласно принципу Дейла, у которого есть лишь несколько известных исключений, нейрон выделяет одни и те же нейротрансмиттеры во всех своих синапсах (Strata and Harvey, 1999). Однако это не означает, что нейрон оказывает одинаковый эффект на все свои мишени, потому что эффект синапса зависит не от нейромедиатора, а от рецепторов, которые он активирует.Поскольку разные мишени могут (и часто используют) разные типы рецепторов, нейрон может оказывать возбуждающее действие на один набор клеток-мишеней, ингибирующее действие на другие и сложные модулирующие эффекты на другие. Тем не менее, бывает, что два наиболее широко используемых нейромедиатора, глутамат и гамма-аминомасляная кислота (ГАМК), имеют в значительной степени согласованные эффекты. Глутамат имеет несколько широко распространенных типов рецепторов, но все они являются возбуждающими или модулирующими.Точно так же у ГАМК есть несколько широко распространенных типов рецепторов, но все они являются ингибирующими. (Есть несколько исключительных ситуаций, в которых было обнаружено, что ГАМК оказывает возбуждающее действие, в основном на раннем этапе развития. Для обзора см. Marty and Llano, 2005.) Из-за этой последовательности глутаматергические клетки часто называют «возбуждающими нейронами». и ГАМКергические клетки как «тормозящие нейроны». Строго говоря, это злоупотребление терминологией — возбуждающими и тормозящими являются рецепторы, а не нейроны, — но это часто наблюдается даже в научных публикациях.

Одно очень важное подмножество синапсов способно формировать следы памяти посредством длительных зависимых от активности изменений в силе синапсов. Наиболее понятной формой нейронной памяти является процесс, называемый долговременной потенциацией (сокращенно LTP), который действует в синапсах, которые используют глутамат нейротрансмиттера, действующего на особый тип рецептора, известный как рецептор NMDA (Cooke and Bliss, 2006). Рецептор NMDA обладает «ассоциативным» свойством: если обе клетки, участвующие в синапсе, активируются примерно в одно и то же время, открывается канал, позволяющий кальцию течь в клетку-мишень (Bliss and Collingridge, 1993).Поступление кальция инициирует второй каскад мессенджеров, который в конечном итоге приводит к увеличению количества рецепторов глутамата в клетке-мишени, тем самым увеличивая эффективную силу синапса. Это изменение силы может длиться несколько недель или дольше. С момента открытия LTP в 1973 году было обнаружено множество других типов следов синаптической памяти, включая увеличение или уменьшение синаптической силы, которые вызываются различными условиями и длятся в течение различных периодов времени (Cooke and Bliss, 2006).Например, обучение с вознаграждением зависит от вариантной формы LTP, которая обусловлена ​​дополнительным входом, поступающим от сигнального пути вознаграждения, который использует дофамин в качестве нейромедиатора (Kauer and Malenka, 2007). Все эти формы синаптической модифицируемости, взятые вместе, порождают нейронную пластичность, то есть способность нервной системы приспосабливаться к изменениям в окружающей среде.

Нейросхемы и системы

Основная функция нейронов посылки сигналов другим клеткам включает способность нейронов обмениваться сигналами друг с другом.Сети, образованные взаимосвязанными группами нейронов, способны выполнять широкий спектр функций, включая обнаружение признаков, генерацию паттернов и синхронизацию (Dayan and Abbott, 2005). На самом деле трудно установить ограничения на типы обработки информации, которые могут выполняться нейронными сетями: Уоррен МакКаллох и Уолтер Питтс доказали в 1943 году, что даже искусственные нейронные сети, сформированные из значительно упрощенной математической абстракции нейрона, способны выполнять универсальное вычисление.Учитывая, что отдельные нейроны могут независимо генерировать сложные временные паттерны активности, диапазон возможностей, возможных даже для небольших групп нейронов, находится за пределами нынешнего понимания.

Рисунок 5: Иллюстрация пути боли из «Трактата о человеке » Рене Декарта.

Исторически сложилось так, что в течение многих лет преобладающим взглядом на функцию нервной системы была роль ассоциатора стимул-реакция (Sherrington, 1906). В этой концепции нейронная обработка начинается со стимулов, которые активируют сенсорные нейроны, производя сигналы, которые распространяются через цепочки связей в спинном и головном мозге, что в конечном итоге приводит к активации моторных нейронов и, следовательно, к сокращению мышц, т.е.е., на открытые ответы. Декарт считал, что все поведение животных и большинство поведения людей можно объяснить в терминах цепей стимул-реакция, хотя он также считал, что высшие когнитивные функции, такие как язык, нельзя объяснить механистически. Чарльз Шеррингтон в своей влиятельной книге 1906 года « Интегративное действие нервной системы » разработал концепцию механизмов стимул-реакция более подробно, а бихевиоризм, школа мысли, доминировавшая в психологии в середине 20-го века, предприняла попытку. объяснять каждый аспект человеческого поведения в терминах «стимул-реакция» (Баум, 2005).

Однако экспериментальные исследования электрофизиологии, начатые в начале 20-го века и достигшие высокой продуктивности к 1940-м годам, показали, что нервная система содержит множество механизмов для создания паттернов активности внутренне, не требуя внешнего раздражителя (Piccolino, 2002). Было обнаружено, что нейроны способны производить регулярные последовательности потенциалов действия или последовательности всплесков даже в полной изоляции. Когда внутренне активные нейроны соединяются друг с другом в сложные цепи, возможности для создания сложных временных паттернов становятся гораздо более обширными.Современная концепция рассматривает функцию нервной системы частично с точки зрения цепочек стимул-реакция, а частично с точки зрения внутренне генерируемых паттернов активности — оба типа активности взаимодействуют друг с другом, чтобы сформировать полный репертуар поведения.

Рефлексы и другие цепи стимул-реакция

Рисунок 6: Упрощенная схема основной функции нервной системы: сигналы улавливаются сенсорными рецепторами и отправляются в спинной и головной мозг, где происходит обработка, в результате которой сигналы отправляются обратно в спинной мозг, а затем отправляются в двигательные нейроны.

Простейшим типом нейронной цепи является рефлекторная дуга, которая начинается с сенсорного входа и заканчивается моторным выходом, проходящим через последовательность нейронов между ними.Например, рассмотрим «рефлекс отдергивания», заставляющий руку дернуться назад после прикосновения к горячей плите. Цепь начинается с сенсорных рецепторов в коже, которые активируются опасными уровнями тепла: особый тип молекулярной структуры, встроенной в мембрану, заставляет тепло изменять электрическое поле через мембрану. Если изменение электрического потенциала достаточно велико, оно вызывает потенциал действия, который передается по аксону рецепторной клетки в спинной мозг.Там аксон устанавливает возбуждающие синаптические контакты с другими клетками, некоторые из которых проецируются (посылают аксональный выход) в ту же область спинного мозга, а другие — в головной мозг. Одна из целей — это набор спинномозговых интернейронов, которые проецируются на двигательные нейроны, управляющие мышцами рук. Интернейроны возбуждают мотонейроны, и если возбуждение достаточно сильное, некоторые из мотонейронов генерируют потенциалы действия, которые перемещаются вниз по их аксонам до точки, где они устанавливают возбуждающие синаптические контакты с мышечными клетками.Возбуждающие сигналы вызывают сокращение мышечных клеток, в результате чего углы суставов в руке изменяются, оттягивая руку.

На самом деле эта простая схема подвержена многочисленным сложностям. Хотя для простейших рефлексов существуют короткие нейронные пути от сенсорного нейрона к двигательному нейрону, есть также другие соседние нейроны, которые участвуют в цепи и модулируют реакцию. Кроме того, есть проекции от головного мозга к спинному мозгу, которые способны усиливать или подавлять рефлекс.

Хотя простейшие рефлексы могут быть опосредованы цепями, полностью лежащими в спинном мозге, более сложные ответы зависят от обработки сигналов в головном мозге. Рассмотрим, например, что происходит, когда объект на периферии поля зрения движется, а человек смотрит на него. Первоначальная сенсорная реакция сетчатки глаза и конечная двигательная реакция глазодвигательных ядер ствола головного мозга не так уж сильно отличаются от реакции простого рефлекса, но промежуточные стадии совершенно разные.Вместо одно- или двухэтапной цепочки обработки зрительные сигналы проходят, возможно, дюжину стадий интеграции, включая таламус, кору головного мозга, базальные ганглии, верхний бугорок, мозжечок и несколько ядер ствола мозга. Эти области выполняют функции обработки сигналов, которые включают обнаружение признаков, перцепционный анализ, вызов памяти, принятие решений и двигательное планирование.

Обнаружение признаков — это способность извлекать биологически значимую информацию из комбинаций сенсорных сигналов.В зрительной системе, например, сенсорные рецепторы сетчатки глаза только индивидуально способны обнаруживать «световые точки» во внешнем мире. Зрительные нейроны второго уровня получают входные данные от групп первичных рецепторов, нейроны более высокого уровня получают входные данные от групп нейронов второго уровня и т. Д., Образуя иерархию этапов обработки. На каждом этапе важная информация извлекается из ансамбля сигналов, а неважная информация отбрасывается. К концу процесса входные сигналы, представляющие «световые точки», были преобразованы в нейронное представление объектов окружающего мира и их свойств.Самая сложная сенсорная обработка происходит внутри головного мозга, но извлечение сложных функций также происходит в спинном мозге и в периферических органах чувств, таких как сетчатка.

Генерация внутреннего шаблона

Хотя механизмы «стимул-реакция» легче всего понять, нервная система также способна управлять телом способами, не требующими внешнего раздражителя, с помощью внутренних паттернов активности. Из-за разнообразия чувствительных к напряжению ионных каналов, которые могут быть встроены в мембрану нейрона, многие типы нейронов способны, даже изолированно, генерировать ритмические последовательности потенциалов действия или ритмические чередования между высокоскоростным взрывом и покоем. .Когда нейроны, которые по своей природе ритмичны, связаны друг с другом возбуждающими или тормозящими синапсами, результирующие сети способны к широкому разнообразию динамического поведения, включая динамику аттрактора, периодичность и даже хаос. Сеть нейронов, которая использует свою внутреннюю структуру для генерации пространственно-временного структурированного вывода, не требуя соответственно структурированного стимула, называется центральным генератором паттернов.

Внутренняя генерация шаблонов работает в широком диапазоне временных масштабов, от миллисекунд до часов и более.Одним из наиболее важных типов временных паттернов является циркадная ритмичность, то есть ритмичность с периодом примерно 24 часа. Все животные, которые были изучены, демонстрируют циркадные колебания нервной активности, которые контролируют циркадные изменения в поведении, такие как цикл сна и бодрствования. Экспериментальные исследования 1990-х годов показали, что циркадные ритмы генерируются «генетическими часами», состоящими из особого набора генов, уровень экспрессии которых повышается и понижается в течение дня.Такие разные животные, как насекомые и позвоночные, имеют схожую систему генетических часов. На циркадные часы влияет свет, но они продолжают работать, даже когда уровень освещенности остается постоянным и отсутствуют другие внешние сигналы времени суток. Гены часов экспрессируются во многих частях нервной системы, а также во многих периферических органах, но у млекопитающих все эти «тканевые часы» синхронизируются с помощью сигналов, исходящих от главного хронометриста в крошечной части мозга, называемой супрахиазматическое ядро.

Список литературы

• Azevedo FA, Carvalho LR, Grinberg LT, et al. (2009). Равное количество нейрональных и ненейрональных клеток делает человеческий мозг изометрически увеличенным мозгом приматов. J. Comp. Neurol. 513 (5): 532–41. DOI: 10.1002 / cne.21974. PMID: 19226510.

• Баум WM (2005). Понимание бихевиоризма: поведение, культура и эволюция . Блэквелл. ISBN 978-1-4051-1262-8.

• Bourlat SJ, Juliusdottir T, Lowe CJ, et al. (2006). Филогения Deuterostome выявляет монофилетические хордовые и новый тип Xenoturbellida. Nature 444 (7115): 85–8. DOI: 10,1038 / природа05241. PMID: 17051155.

• Чепмен РФ (1998). «Глава 20: Нервная система». Насекомые: строение и функции . Издательство Кембриджского университета. С. 533–568. ISBN 978-0-521-57890-5.

• Даян П., Эбботт Л.Ф. (2005). Теоретическая нейробиология: вычислительное и математическое моделирование нейронных систем .MIT Press. ISBN 978-0-262-54185-5.

• Эрвин Д.Х., Дэвидсон Э.Х. (2002). Последний общий предок-билатерий. Разработка 129 (13): 3021–32. PMID: 12070079.

• Палец S (2001 г.). «Глава 1: Мозг в древности». Истоки нейробиологии: история исследований функций мозга . Oxford Univ. Нажмите. ISBN 978-0-19-514694-3.

• Хоберт, О. (2005). Спецификация нервной системы. WormBook , изд. Исследовательское сообщество C. elegans, doi: 10.1895 / wormbook.1.12.1, http://www.wormbook.org.

• Хормузди С.Г., Филиппов М.А., Митропулу Г., и др. (2004). Электрические синапсы: динамическая сигнальная система, которая формирует активность нейронных сетей. Biochim. Биофиз. Acta 1662 (1-2): 113–37. DOI: 10.1016 / j.bbamem.2003.10.023. PMID: 15033583.

• Hoyle G, Wiersma CAG (1977). Идентифицированные нейроны и поведение членистоногих .Пленум Пресс. ISBN 978-0-306-31001-0.

• Lichtneckert R, Reichert H (2005). Взгляд на мозг urbilaterian: консервативные механизмы формирования генетического паттерна в развитии мозга насекомых и позвоночных. Наследственность 94 (5): 465–77. DOI: 10.1038 / sj.hdy.6800664. PMID: 15770230.

• McCulloch WS, Pitts W (1943). Логический расчет идей, присущих нервной деятельности. Бык. Математика. Биофиз. 5 (4): 115–133.DOI: 10.1007 / BF02478259.

• Ruppert EE, Fox RS, Barnes RD (2004). Зоология беспозвоночных (7-е изд.). Брукс / Коул. С. 111–124. ISBN 0-03-025982-7.

• Санес Д.Х., Рех Т.А., Харрис Вашингтон (2006). Развитие нервной системы . Академическая пресса. С. 3–4. ISBN 978-0-12-618621-5.

• Симмонс П.Дж., Янг Д. (1999).