《Nature | 跨越人类皮层深处的大规模单神经元语音编码》

  • 来源专题:战略生物资源
  • 编译者: 李康音
  • 发布时间:2023-12-17
  • 2023年12月13日,加利福尼亚大学等机构的研究人员在Nature杂志在线发表了题为Large-scale single-neuron speech sound encoding across the depth of human cortex的文章。

    要理解言语感知的神经基础,我们需要从神经元的基本计算单位和皮层的深层组织两方面来研究人类大脑。

    该研究使用高密度神经像素阵列记录了参与者在听口语时,大脑皮层中对语言至关重要的高级听觉区域——颞上回的9个部位的685个神经元。单个神经元编码了广泛的语音线索,包括辅音和元音的特征、相对音高、起跳、振幅包络和序列统计。每个交叉层流记录的神经元都表现出对主要语音特征的主导调谐,同时也包含相当比例的编码其他特征的神经元,这些特征有助于异质选择性。在空间上,相似皮质深度的神经元倾向于编码相似的语言特征。所有皮层层的活动都可以预测高频场电位(皮质电图),为皮层表面的大电极记录提供了神经元来源。

    综上所述,这些结果表明,皮层的单神经元调谐是人类颞上回语音编码的一个重要维度。


  • 原文来源:https://www.nature.com/articles/s41586-023-06839-2
相关报告
  • 《Nature | 人类言语产生的单神经元元素》

    • 来源专题:战略生物资源
    • 编译者:李康音
    • 发布时间:2024-02-03
    • 2024年1月31日,哈佛医学院的研究人员在Nature期刊上发表了一篇题为Single-neuronal elements of speech production in humans的文章 人类能够产生极其多样化的发音动作组合,以产生有意义的语音。这种编排特定语音序列的能力,以及它们在亚秒级时间尺度上的音节化和变化,使我们能够产生数千个单词的声音,并且是语言的核心组成部分。然而,我们在言语过程中计划和产生单词的基本细胞单位和结构在很大程度上仍然未知。 该研究使用能够在人类皮层柱上采样的急性超高密度神经像素记录,研究人员在语言占主导地位的前额叶皮层中发现了神经元,这些神经元编码了有关语音排列和计划单词组成的详细信息在自然语音的产生过程中。这些神经元代表了话语前发音事件的特定顺序和结构,并反映了语音序列被分割成不同的音节。研究人员还准确地预测了即将到来的单词的语音、音节和形态成分,并显示出时间上有序的动态。 总的来说,该研究展示了这些细胞混合物如何沿着皮质柱广泛组织,以及它们的活动模式如何从关节计划过渡到生产。研究人员还展示了这些细胞如何在感知过程中可靠地跟踪辅音和元音的详细组成,以及它们如何区分与说话相关的过程与与听力相关的过程。总之,这些发现揭示了人类前额叶神经元语音表征的结构和编码级联,并展示了可以支持语音产生的细胞过程。
  • 《Nature Communications | 利用双神经元光学人工学习训练大规模光电神经网络》

    • 来源专题:战略生物资源
    • 编译者:李康音
    • 发布时间:2023-11-07
    • 本文内容转载自“ AI Energy”微信公众号。原文链接: https://mp.weixin.qq.com/s/A8t1cJLwc4WsqD8Fz-cSSQ 2023年11月4日,北京国家信息科学与技术研究中心,清华大学和清华大学深圳国际研究生院的研究人员在Nature Communications杂志发表了一篇题为Training large-scale optoelectronic neural networks with dual-neuron optical-artificial learning的论文。 光电神经网络(Optoelectronic neural networks,ONN)在并行化、功率效率和速度方面具有潜力,是人工智能计算领域的一个前景广阔的途径。衍射神经网络通过训练有素的光学元件传播编码光来处理信息,因而备受关注。然而,由于光学衍射建模的计算和内存成本,大规模衍射网络的训练面临挑战。 该研究提出了双神经元光学人工学习架构 DANTE。光学神经元为光学衍射建模,而人工神经元则用轻量级函数来近似密集的光学衍射计算。DANTE 还通过迭代全局人工学习步骤和局部光学学习步骤来提高收敛性。在模拟实验中,DANTE 成功地在 ImageNet 上训练了 1.5 亿个神经元的大规模 ONNs,这在以前是无法实现的,与单神经元学习相比,DANTE 在 CIFAR-10 基准上显著加快了训练速度。在物理实验中,本该研究开发了基于DANTE的双层ONN系统,它能有效地提取特征,提高自然图像的分类能力。