摘要
锐化神经网络（SNNs）的拓扑结构在决定其动态表征能力、识别性能以及语音识别中的生物学可解释性方面起着重要作用。然而，目前大多数现有的SNN模型都是基于随机、规则或人工设计的连接模式构建的，这些模式可能无法反映人类大脑在语音感知过程中的功能组织结构。在本研究中，我们提出了一种基于任务状态fMRI约束的SNN框架用于语音识别。通过使用在自然英语有声书聆听过程中获取的人类fMRI数据，离线构建出任务状态下的全脑功能拓扑结构，该结构可作为SNN模型循环连接的生物学启发式结构先验。由于fMRI数据与后续的独立数字识别任务所使用的语音范式不同，因此这种拓扑结构被视作一种通用的语音聆听先验，而非针对特定数字的神经表征。研究采用了Schaefer-400皮质分区方法，确定了400个全脑功能节点，这些节点均被保留下来，以维持语音聆听过程中的分布式皮质交互作用。在该拓扑结构中，有7个SomMotB_Aud节点被识别为听觉核心节点，并被当作一个嵌入式的听觉电路进行分析。与静息态fMRI相比，任务状态fMRI显示出这些听觉节点之间更强的功能连接性，这表明存在与任务相关的听觉电路激活现象。由此得到的400节点任务状态拓扑结构被映射到SNN模型的循环连接结构上。这种映射被视为一种受拓扑结构约束的计算抽象，而非生物信息传输的直接模型。在识别过程中，语音脉冲序列是唯一的外部输入，而fMRI数据仅用于离线构建拓扑结构。通过与基础SNN模型的实验对比，结果表明所提出的拓扑结构提升了识别性能及模型的生物学可解释性。此外，还通过静息态拓扑结构对比、听觉核心节点贡献分析、阈值敏感性分析以及统计检验等方法来评估该模型的稳健性。这些研究结果表明，由语音引发的全脑功能组织结构可能为基于生物学原理的语音识别模型提供有效的拓扑结构先验。
