用基于自编码器的时域卷积架构解码想象的听觉音高现象
摘要：使用机器学习模型对功能磁共振成像（fMRI）数据进行刺激解码，为神经表征空间和任务相关动态提供了新的见解。然而，标记的（任务相关的）fMRI数据的稀缺性是一个持续存在的障碍，导致模型欠拟合和泛化性差。在这项工作中，我们通过将最近的模式编码策略从视觉记忆领域扩展到我们自己的听觉音高任务领域，缓解了数据匮乏的问题。据我们所知，这在先前的研究中还没有实现。具体而言，从未标记的fMRI数据中提取参与者的神经激活动力学的初步信息，提高了解码听到的和想象的音高时下游分类器的性能。我们的结果表明，利用未标记的fMRI数据对基于音高的任务进行解码有助于克服数据匮乏问题，并为听觉认知神经科学中听觉和想象音高处理的不同和重叠路径提供了新的重要证据，加深了我们对听觉认知神经科学的理解。
作者：Sean Paulsen, Lloyd May, Michael Casey
论文ID：2305.08987
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2023-05-17