L'apprentissage automatique et l'intelligence artificielle ont de solides racines sur les principes du calcul neuronal. Quelques exemples sont la structure du premier perceptron, inspiré de la rétine, les neuroprothèses basées sur des enregistrements de cellules ganglionnaires ou les réseaux de Hopfield. En outre, l'apprentissage automatique fournit un ensemble puissant d'outils pour analyser les données neuronales, qui a déjà prouvé son efficacité dans des domaines de recherche aussi éloignés que la reconnaissance vocale, la classification des états comportementaux ou les enregistrements LFP. Cependant, malgré les énormes progrès technologiques en matière de réduction de la dimensionnalité, de sélection de motifs et de regroupement des données neuronales au cours des dernières années, il n'y a pas eu de développement proportionnel des outils analytiques utilisés pour l'analyse temps-fréquence (T-F) en neurosciences. En gardant cela à l'esprit, nous introduisons la commodité d'utiliser des outils non linéaires et non stationnaires, en particulier des algorithmes EMD, pour la transformation des données neuronales oscillatoires (EEG, EMG, oscillations de pointe…) dans le domaine T-F avant son analyse avec des outils d'apprentissage automatique. Nous soutenons que pour parvenir à des conclusions significatives, les données transformées que nous analysons doivent être aussi fidèles que possible à l'enregistrement original, de sorte que les transformations forcées dans les données en raison de restrictions dans le calcul T-F ne soient pas étendues aux résultats de l'analyse d'apprentissage automatique. De plus, le calcul bioinspiré tel que l'interface cerveau-machine peut être enrichi à partir d'une définition plus précise du codage neuronal où les non-linéarités de la dynamique neuronale sont considérées.

El aprendizaje automático y la inteligencia artificial tienen fuertes raíces en los principios de la computación neuronal. Algunos ejemplos son la estructura del primer perceptrón, inspirado en la retina, las neuroprótesis basadas en registros de células ganglionares o las redes de Hopfield. Además, el aprendizaje automático proporciona un poderoso conjunto de herramientas para analizar datos neuronales, que ya ha demostrado su eficacia en campos de investigación tan distantes como el reconocimiento de voz, la clasificación de estados de comportamiento o las grabaciones de LFP. Sin embargo, a pesar de los enormes avances tecnológicos en la reducción de datos neuronales de dimensionalidad, selección de patrones y agrupamiento durante los últimos años, no ha habido un desarrollo proporcional de las herramientas analíticas utilizadas para el análisis de tiempo-frecuencia (T-F) en neurociencia. Teniendo esto en cuenta, introducimos la conveniencia de utilizar herramientas no lineales, no estacionarias, algoritmos EMD en particular, para la transformación de los datos neuronales oscilatorios (EEG, EMG, oscilaciones de pico...) en el dominio T-F antes de su análisis con herramientas de aprendizaje automático. Apoyamos que para lograr conclusiones significativas, los datos transformados que analizamos deben ser lo más fieles posible al registro original, de modo que las transformaciones forzadas en los datos debido a restricciones en el cálculo de T-F no se extiendan a los resultados del análisis de aprendizaje automático. Además, la computación bioinspirada, como la interfaz cerebro-máquina, puede enriquecerse a partir de una definición más precisa de la codificación neuronal donde se consideran las no linealidades de la dinámica neuronal.

Machine learning and artificial intelligence have strong roots on principles of neural computation. Some examples are the structure of the first perceptron, inspired in the retina, neuroprosthetics based on ganglion cell recordings or Hopfield networks. In addition, machine learning provides a powerful set of tools to analyze neural data, which has already proved its efficacy in so distant fields of research as speech recognition, behavioral states classification or LFP recordings. However, despite the huge technological advances in neural data reduction of dimensionality, pattern selection and clustering during the last years, there has not been a proportional development of the analytical tools used for Time-Frequency (T-F) analysis in neuroscience. Bearing this in mind, we introduce the convenience of using nonlinear, nonstationary tools, EMD algorithms in particular, for the transformation of the oscillatory neural data (EEG, EMG, spike oscillations…) into the T-F domain prior to its analysis with machine learning tools. We support that to achieve meaningful conclusions, the transformed data we analyse has to be as faithful as possible to the original recording, so that the transformations forced into the data due to restrictions in the T-F computation are not extended to the results of the machine learning analysis. Moreover, bioinspired computation such as brain-machine interface may be enriched from a more precise definition of neuronal coding where nonlinearities of the neuronal dynamics are considered.

التعلم الآلي والذكاء الاصطناعي لهما جذور قوية في مبادئ الحساب العصبي. بعض الأمثلة هي بنية المدرك الأول، المستوحى من شبكية العين، الأطراف الاصطناعية العصبية القائمة على تسجيلات الخلايا العقدية أو شبكات هوبفيلد. بالإضافة إلى ذلك، يوفر التعلم الآلي مجموعة قوية من الأدوات لتحليل البيانات العصبية، والتي أثبتت بالفعل فعاليتها في مجالات البحث البعيدة مثل التعرف على الكلام أو تصنيف الحالات السلوكية أو تسجيلات LFP. ومع ذلك، على الرغم من التقدم التكنولوجي الهائل في الحد من البيانات العصبية للأبعاد واختيار الأنماط وتجميعها خلال السنوات الماضية، لم يكن هناك تطور متناسب للأدوات التحليلية المستخدمة لتحليل التردد الزمني (T - F) في علم الأعصاب. مع أخذ ذلك في الاعتبار، نقدم راحة استخدام الأدوات غير الخطية وغير الثابتة، وخوارزميات EMD على وجه الخصوص، لتحويل البيانات العصبية التذبذبية (EEG، EMG، تذبذبات الارتفاع...) إلى مجال T - F قبل تحليلها باستخدام أدوات التعلم الآلي. نحن ندعم أنه لتحقيق استنتاجات ذات مغزى، يجب أن تكون البيانات المحولة التي نحللها مخلصة قدر الإمكان للتسجيل الأصلي، بحيث لا تمتد التحولات المفروضة على البيانات بسبب القيود في حساب T - F إلى نتائج تحليل التعلم الآلي. علاوة على ذلك، يمكن إثراء الحساب المستوحى من البيولوجيا مثل واجهة الدماغ والآلة من تعريف أكثر دقة للترميز العصبي حيث يتم النظر في اللاخطية للديناميكيات العصبية.