综述：基于循环神经网络的多感官整合计算模型：批判性回顾与未来方向

本综述系统探讨了多感官整合（MSI）的计算建模进展，重点分析了循环神经网络（RNN）在模拟动态时空整合机制中的优势。文章对比了传统概率模型（如贝叶斯推理、MLE）与RNN模型（包括LSTM、GRU）的性能，指出RNN在分类任务中最高可实现46.9%的准确率提升。通过构建MSI任务分类学和新评估框架，为神经科学和人工智能领域提供了跨学科研究路径。

　　

多感官整合（Multisensory Integration, MSI）作为大脑感知世界的核心机制，通过融合视觉、听觉、触觉等多模态信息显著提升生物体的环境适应能力。传统计算模型如贝叶斯推理和最大似然估计（MLE）虽能描述静态条件下的最优整合，但难以捕捉神经系统的动态时空特性。贝叶斯模型通过先验概率与似然函数的结合实现后验概率优化，而MLE则专注于观测数据的最大似然估计，二者均缺乏对时间维度非线性交互的建模能力。

循环神经网络（RNN）凭借其递归连接和内部记忆机制，为模拟MSI的瞬态动力学提供了新范式。长短期记忆网络（LSTM）和门控循环单元（GRU）等变体能够处理多模态信息的时序依赖关系，在语音识别、传感器融合等任务中展现出显著优势。实验数据表明，RNN模型在分类任务中的准确率较传统方法提升最高达46.9%，在脑机接口（BMI）运动解码中比特率提高约56%。

神经生物学证据显示，上丘深层（IV-VI层）神经元、腹侧前运动皮层等脑区存在多感官响应细胞，其树突整合机制可降低反应延迟。RNN模型通过模拟这些生物特性，实现了对跨模态交互、上下文调制等复杂过程的计算重现。新提出的MSI任务分类学和评估框架为模型性能标准化提供了重要工具。

实际应用案例证实了RNN模型的实用性：在嘈杂环境下的语音识别中，听觉-视觉融合显著提升理解能力；在感觉假肢控制中，多模态反馈优化了运动执行的精确度。然而，模型仍面临可解释性、数据效率和泛化能力等挑战，未来需发展生物启发式混合模型，结合概率方法与神经网络的优势。

通过 bridging 神经生物学原理与机器学习技术，RNN模型为开发具有环境感知能力的智能系统铺平道路，不仅在计算神经科学领域深化了对MSI机制的理解，更为人工智能系统在动态环境中的多感官处理提供了创新解决方案。