基于CNN的模型揭示听觉强度处理的大脑时序动态特性

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：CNN-Based Modelling Reveals Temporal Brain Dynamics of Auditory Intensity Processing

　　

摘要：

理解人脑如何编码听觉强度仍是一个重要挑战，尤其是在单次试验的血流动力学反应层面。传统的fNIRS分析方法依赖于固定的血流动力学反应模型，将这些试验的信号简化为单一的幅度值，从而可能忽略丰富的时间信息。在本研究中，我们引入了一种连体卷积神经网络，该网络能够直接从完整的HbO试验波形中解码出强度水平，从而实现对皮质反应的动态、波形层面的分析。研究从18名听力正常的成年人身上收集了数据，这些数据来自两个刺激组，每个组包含三种或四种强度水平以及一个静音基线。所有分析均采用留一受试者法进行验证，以确保结果在不同受试者间的普遍性。在所有受试者中，该网络都能准确区分不同强度级别的组合（准确率超过85%），并且在两个组中都能以较高的性能重建出完整的强度排序。通过使用跨受试者试验对进行训练增强，进一步提升了区分能力，结果表明，听力正常者的强度相关血流动力学模式具有极高的一致性。相反，如果破坏时间结构——比如随机排列试验顺序，或人为干扰刺激开始时间与提取出的血流动力学反应之间的对应关系——就会显著降低解码精度，这凸显了时间同步的波形特征在皮质强度编码中的关键作用。总体而言，这些研究结果为听觉强度感知是由听力正常者大脑中高度一致且具有时间结构的皮质反应所支撑提供了神经学证据。同时，这些结果也体现了基于波形的动态深度学习方法在fNIRS分析中的价值，并为构建更为灵敏、更具生理学依据的听觉处理模型指明了方向。