科学研究发现,盲人用时间感知空间

640?wx_fmt=jpeg

来源:中国科学报

摘要:在书籍和电影中,盲人通常用超敏感的听力帮助他们在现实世界中穿梭。


在书籍和电影中,盲人通常用超敏感的听力帮助他们在现实世界中穿梭。但是,8月1日发表在iScience杂志上的一项研究表明,在至少一种情况下,盲人比那些视力正常的人更难辨别声音的位置。


意大利研究人员发现,盲人需要额外的时间线索判断一组扬声器中发出声音的设备的相对位置。然而,那些视力正常的人(但被蒙上眼睛)可以更容易地分辨相对位置。


“这项工作告诉我们,音频空间感是由视觉体验调节的。”论文第一作者、意大利理工学院的Monica Gori说,“在缺乏视觉的情况下,听觉空间技能并不总是得到增强——在某些情况下,甚至可能会受到损害。”


Gori和同事招募了17名盲人和17名年龄相当的视力正常者参与这项研究。所有参与者在进入一个房间之前都被蒙上了眼睛,他们面前是23个扬声器。从左到右,3个扬声器发出了“哔”的一声,参与者被要求判断第二个发声的扬声器是更接近第一个还是第三个。


第一轮实验中,在每次哔声之前,都有一个750毫秒的统一时间延迟。在接下来的两轮,哔声的间距会出现变化。结果显示,被蒙住眼睛的视力正常者通常可以判断出哔声的相对位置,不管它是如何计时的。然而,时间的变化极大影响了盲人参与者的判断。


当哔声延迟与扬声器之间的物理距离成正比时,盲人参与者可以最准确地判断出位置。但当延迟统一时,盲人判断位置变得困难。当时间延迟被错误匹配时,盲人参与者作出准确判断就更难。


“这一结果表明,盲人假设物体在空间的速度恒定,并利用时间线索推断空间的感觉。”Gori说。


Gori团队的初步数据显示,幼儿也会使用时间线索判断声音之间的空间距离。这可能意味着大脑在开发过程中使用交叉感觉的交互作用构建空间表征。


未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能,互联网和脑科学交叉研究机构。


未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)云脑研究计划,构建互联网(城市)云脑技术和企业图谱,为提升企业,行业与城市的智能水平服务。

  如果您对实验室的研究感兴趣,欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”

640?wx_fmt=jpeg

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值