用于空间认知的多分辨率网格编码的贝叶斯整合
神经元与认知
2019-10-15 v1
摘要
内嗅皮层内侧 (MEC) 中多个具有不同空间频率的网格细胞模块的傅里叶式求和，长期以来被提出用以形成位置放电野的轮廓。近期实验在很大程度上（但并非完全）支持该理论。背侧 MEC 的失活明显扩展了位置野，这与假说相符。然而，与预测相反，腹侧 MEC 的失活也微弱地拓宽了空间位置放电模式。在本研究中，我们通过贝叶斯推断，将高斯轮廓表示的网格空间频率模型推导至一维位置野，并进一步为位置野的扩展提供完全理论解释，以及对网格组分排列的预测。为理解新皮层、内嗅皮层与海马体之间的信息转换，我们从海马索引理论提出空间记忆索引理论，以探究神经动力学在内嗅-海马回路中的运作方式。CA3 中位置细胞的输入由 MEC 第二层具有不同网格间距的三个网格模块通过贝叶斯机制汇聚而来。我们借助机器人系统检验傅里叶假说与空间记忆索引理论，并验证我们提出的内嗅-海马模型。随后我们在 KITTI 里程计基准数据集上展示其认知建图能力。结果表明，我们的模型为生物实验结果提供了合理的理论解释。结果还显示，所提模型在大规模环境中对同步定位与建图 (SLAM) 具有鲁棒性。我们提出的模型在一般贝叶斯机制下为傅里叶假说提供了理论支持，这可能除空间认知外也适用于其他神经系统。
引用
@article{arxiv.1910.05881,
title = {Bayesian Integration of Multi-resolutional Grid Codes for Spatial Cognition},
author = {Taiping Zeng and XiaoLi Li and Bailu Si},
journal= {arXiv preprint arXiv:1910.05881},
year = {2019}
}
备注
arXiv admin note: text overlap with arXiv:1910.04590