机构名称：
¥ 2.0
从传入信息的动态和可变流中提取含义是自然和人工智能的主要目标。以深度学习为指导（DL）指导的计算机视觉（CV）在识别特定身份方面取得了重大进步，尽管有高度可变的属性为1,2。这是神经系统面临的同样挑战，并由概念细胞部分解决 - 响应于人体内侧颞叶（MTL）3-6中描述的特定人员/地方的神经元。然而，由于这些神经元的稀疏编码，访问代表特定概念的神经元受到限制。但是，可以想象，这种解码所需的信息在相对较小的神经元种群中存在。评估神经元种群在自然环境中编码身份信息的很好，我们记录了来自九个神经外科外科癫痫患者的多个大脑区域的神经元活性，这些患者植入了深度电极，而受试者观看了电视系列“ 24”的情节。我们实施了使用随时间变化的人群神经数据作为输入的DL模型，并解码了每个帧中主要特征的视觉存在。在训练和测试DL模型之前，我们设计了一种最小监督的CV算法（与手动标记的数据7的性能可比性相当），以检测和标记每个帧中所有重要字符。这种方法使我们能够将“计算机视觉”与“神经元视觉”进行比较 - 与神经元一部分活动中存在的每个字符相关的脚印，并确定有助于该解码过程的大脑区域。然后，我们在电影查看后的识别记忆任务中测试了DL模型，要求受试者识别出插图中的剪辑段。dl模型激活不仅是通过相应字符的存在调节的，而且还通过参与者的主观记忆来调节他们是否看过剪辑段，以及叙事图中字符的关联优势。所描述的方法可以提供新颖的方法来探究随时间不断发展的动态行为任务中概念的表示。此外，结果表明，即使在MTL以外的大脑区域，也只有数十个神经元的人口活动中存在必要的强构概念所需的信息。
通过计算机视觉和神经元视觉解码人类身份
主要关键词
相关文件推荐
