2024年3月21日，洛桑联邦理工学院的 Alexander Mathis 团队在国际顶尖学术期刊 Cell 上发表了题为Task-driven neural network models predict neural dynamics of proprioception 的研究论文。
你的大脑如何知道身体不同部位的位置和运动？这种感觉被称为本体感觉，它类似于“第六感”，让我们能够自由移动，而无需不断地盯着我们的四肢。本体感觉涉及到嵌入在我们肌肉中的复杂传感器网络，将肢体位置和运动信息传递回我们的大脑。然而，我们对大脑如何整合从肌肉接收到的不同信号知之甚少。该研究通过探索我们的大脑如何创造身体位置和运动的连贯感，为大脑如何实现本体感觉（第六感）提供了新解释。
论文通讯作者 Alexander Mathis 表示，人们普遍认为，感官系统应该利用统计学，这一理论可以解释视觉和听觉系统的许多特性，为了将这一理论推广到本体感觉，我们使用肌肉骨骼模拟器来计算分布式传感器的统计数据。
研究团队使用这种肌肉骨骼建模来生成上肢的肌肉纺锤信号，以生成“大规模、自然的运动指令”的集合。然后，他们使用这个指令在16个计算任务上训练了数千个“任务驱动”的神经网络模型，每个任务都反映了关于本体感觉通路进行计算的科学假设，其中包括脑干和体感皮层的部分。该方法使研究团队能够全面分析不同的神经网络架构和计算任务如何影响本体感觉信息的“类脑”表征的发展。
研究团队发现，在预测肢体位置和速度的任务上训练的神经网络模型是最有效的，这表明我们的大脑优先整合分布式肌肉纺锤体的输入来理解身体运动和位置。 该研究强调了任务驱动建模在神经科学中的潜力。与传统方法不同，任务驱动模型可以提供对感官处理潜在计算原理的见解。
