文章来源:ATYUN AI平台
学习识别和分类对象是一种基本的认知技能,可以让动物在世界上发挥作用。例如,将另一种动物识别为朋友或敌人,可以决定如何与之互动。同样地,将植物识别为可食用(或不可食用)可以确保生存。然而,如果动物与环境分离,那么动物通常无法获得理想的物体。同样的物体通常会以不同的视角,如部分的阻碍,或在不理想的光照条件下,都有可能受到影响。因此,在噪声和退化条件下进行分类研究是必要的。
大脑是如何在退化的条件下处理分类刺激物的?一种可能性是,通常与后部皮层视觉处理(例如V1,V2,V3,V4)相关的大脑区域从其环境(背景噪音)中提取刺激物,而大脑区域通常与分类相关[例如纹状体,前额叶皮质(PFC),海马(HC)]且不受退化条件的影响;另一种可能性是,视觉处理不受观看条件的影响,但分类系统在较差的观看条件下接收到退化的刺激表示,并需要相应地调整其处理。
为了解开这两个可能性,研究人员在Purdue MRI设施中进行扫描,同时对具有不同透明度水平的面具覆盖的新颖抽象刺激物进行分类。先进的机器学习方法被用来处理大脑活动,并尝试仅基于测量的大脑活动来预测刺激物的观察条件。这个过程有时被称为“读心术”,并使用支持向量机(SVM)。全脑分析的结果表明, SVM可以区分最恶化的视觉条件和其他两个(退化)查看条件。
通过对SVM学习模式的分析,发现后视区V1、V2、V3和V4在不同的观测条件下是最重要的。这一结果得到了关注特定脑区的兴趣区域(ROI)分析的进一步支持。ROI分析表明,脑区V1、V2、V3和V4的活动各自能够识别刺激物恶化的水平。相比之下,通常与刺激物分类相关的纹状体、PFC和HC,无法识别刺激物恶化的水平。
总之,这些结果支持这样的假设: 当刺激物难以从其背景环境中提取时,视觉系统中的处理在将刺激物分类到适当的大脑系统之前提取刺激物。这些研究结果对于认知神经科学在视觉方面的工作与认知神经科学在分类方面的工作有重要意义。它对神经系统病人群体也有重要的影响。例如,只影响后视系统的脑损伤患者可能具有未受损的分类能力,那么,就可以从他们的环境中隔离视觉刺激物而受益。
相反,直接影响分类系统的疾病,例如亨廷顿氏病,应该使视觉系统基本保持完好,而将视觉刺激物与环境隔离开来可能对这种情况没有帮助。显然,需要做更多的工作来更好地理解大脑处理信息的方式,而机器学习方法(如SVM),可能会允许加速这些发现。
本文转自ATYUN人工智能媒体平台,原文链接:利用机器学习和大脑成像对嘈杂环境中的刺激物进行分类
更多推荐
TensorFlow:Google将它的未来赌在了这个软件上
![欢迎关注ATYUN官方公众号,商务合作及内容投稿请联系邮箱:bd@atyun.com](http://imgcdn.atyun.com/oa.jpg)