研究人员发现大脑用来组织视觉对象的研究用组数学系统

2021-12-06 08:49:45胡荔庆导读当柏拉图开始定义使人成为人类的因素时，他就决定了两个主要特征：我们没有羽毛，发现而我们则是大脑两足动物(两条腿直立行走)。柏拉图的织视特征可能无

当柏拉图开始定义使人成为人类的因素时，他就决定了两个主要特征：我们没有羽毛，觉对而我们则是象的系统两足动物(两条腿直立行走)。柏拉图的数学特征可能无法涵盖识别人类的所有内容，但他将物体还原为物体的研究用组基本特征提供了一种称为主成分分析的技术示例。

现在，发现加州理工学院的大脑研究人员已经结合了机器学习和神经科学的工具，发现大脑使用数学系统根据其主要成分来组织视觉对象。织视这项工作表明，觉对大脑包含代表不同对象的象的系统细胞的二维图。该地图中每个单元的数学位置取决于其首选对象的主要组成部分(或特征);例如，对圆形的研究用组弯曲物体(如脸和苹果)做出反应的单元格被分组在一起，而对诸如直升机或椅子之类的尖刺物体做出响应的单元格又形成了另一组。

这项研究是在多丽丝·曹(BS '96)的实验室中进行的，该教授是生物学教授，天桥和系统神经科学中心的Chrissy Chen中心主任，领导主席以及霍华德·休斯医学研究所的研究员。一份描述这项研究的论文发表在6月3日的《自然》杂志上。

“在过去的15年中，我们的实验室一直在研究灵长类动物大脑颞叶中一个特殊的网络，该网络专门用于处理人脸。我们将此网络称为“人脸补丁网络”。从一开始，就存在一个问题，即了解这个面部网络是否会教给我们有关如何识别对象的一般问题的任何知识，我一直梦想着会，现在这已经以惊人的方式得到了证明。面部补丁网络有多个同级，一起形成了对象空间的有序映射。因此，面部补丁是一个更大的难题中的一个，现在我们可以开始了解如何将整个难题组合在一起。”

大脑的颞下(IT)皮质是识别物体的关键中心。IT皮质内的不同区域或“补丁”会进行编码，以识别不同的事物。曹和她的合作者在2003年发现了六个面部补丁。还有一些补丁可以对身体，场景和颜色进行编码。但是，这些经过精心研究的岛仅构成IT皮质的一部分，而位于它们之间的脑细胞的功能尚未得到很好的了解。

Tsao实验室的博士后研究员Pinglei Bao想了解IT皮层的这些未知区域。Bao 与非人类灵长类动物合作，首先刺激了一个不属于任何先前定义的斑块的IT皮质区域，并使用功能磁共振成像(fMRI)测量了IT其他部分对刺激的反应。为此，他发现了一个新的网络：由刺激驱动的IT皮质的三个区域。他称此网络为“无人的陆地网络”，因为它属于IT皮质的未知领域。

为了确定新网络响应的对象类型，鲍在测量新网络中神经元活动的同时，展示了成千上万个不同对象的灵长类动物图像。他发现，神经元对似乎没有任何共同点的一组物体有强烈的反应，除了一个奇怪的特征：它们都包含细小的“突起”。也就是说，尖锐的物体(例如蜘蛛，直升机和椅子)触发了新网络的单元的活动。圆形，光滑的物体(如脸部)在该网络中几乎没有活动。

Bao着手以数学方式描述这些对象的共同点。一个人可以定性地描述使椅子的形状与面部不同的基本可见特征，但他们不能将这些特征分解为数学参数。为此，Bao使用了一种称为深度网络的机器学习程序，该程序经过训练可以对物体的图像进行分类。

Bao拍摄了他展示给灵长类动物的成千上万张图像，并将它们通过了一个深层网络。然后，他检查了在深层网络的八个不同层中发现的单元的激活情况。由于每层有数千个单元，因此很难辨别其发射的任何模式。Bao决定使用主成分分析来确定驱动网络各层活动变化的基本参数。在其中一层中，鲍先生注意到了一件奇怪的事：一种主要成分被诸如蜘蛛和直升机之类的尖刺物体强烈激活，而被面部压制。这恰好与包在早期的无人区网络中记录的单元格的对象偏好相匹配。

什么能解释这种巧合呢?一个想法是，IT皮质实际上可以组织为对象空间的地图，其中x和y维度由从深度网络计算的前两个主要成分确定。这个想法可以预测面部，身体和没有人的陆地区域的存在，因为它们的首选对象每个都整齐地落入了由深度网络计算得出的对象空间的不同象限。但一个象限在大脑中没有对应的象限：诸如收音机或杯子之类的粗短物体。

在监视IT皮质活动时，Bao决定显示属于该“缺失”象限的对象的灵长类动物图像。令人惊讶的是，正如模型所预测的那样，他发现了仅对粗短物体做出反应的皮质区域网络。这意味着深层网络已经成功预测了先前未知的一组大脑区域的存在。

为什么每个象限都由多个区域的网络代表?早前，Tsao的实验室发现，整个IT皮质中不同的人脸补丁编码的人脸越来越抽象。鲍发现，他发现的两个网络显示出相同的特性：大脑前部区域的细胞对不同角度的物体产生反应，而后部区域的细胞仅对特定角度的物体产生响应。这表明颞叶包含对象空间图的多个副本，每个副本都比前一个更为抽象。

最后，团队很好奇地图的完整性。他们从包括该地图的四个网络中的每一个测量了大脑的活动，作为灵长类动物观察对象的图像，然后解码大脑信号以确定灵长类动物正在看什么。该模型能够准确地重建灵长类动物观看的图像。

“现在我们知道哪些功能对于物体识别很重要，” Bao说。“在生物视觉系统和深度网络中观察到的重要特征之间的相似性表明，这两个系统可能共享相似的对象识别计算机制。事实上，据我所知，这是首次深度网络做出了预测关于大脑的一个以前未知的事实，后来证明是真的。我认为我们非常接近弄清灵长类动物大脑如何解决物体识别问题。”

该论文的标题是“灵长类下颞叶皮层的对象空间图”。