基于树突神经元的重复驱动声学与视觉源恢复建模
声音
2022-10-25 v1 神经与进化计算
音频与语音处理
摘要
在自然听觉环境中，声学信号源于不同声源在时间上的叠加。从模糊的声音混合中推断各个声源的问题被称为盲源分解。针对人类的实验表明，听觉系统能够将声源识别为嵌入在声学输入中的重复模式。声源重复产生的时间规律性可被检测并用于分离。具体而言，听者能够识别在多个混合中多次出现的声音，而无法识别仅在单一混合中听到的声音。然而，这种行为是否可以被计算建模尚未被探索。在此，我们提出一种受生物学启发的计算模型，用于对声刺激混合序列执行盲源分离。我们的方法依赖于一个经类 Hebbian 学习规则训练的体-树突神经元模型，该模型可检测突触输入中反复出现的时空模式。我们表明，我们的模型的分离能力让人联想到人类在涉及具有自然特性的合成声音的多类实验设置中的表现特征。此外，我们扩展了研究以考察尚未在人体受试者中探索的任务设置（即自然声音与图像）上的分离特性。总体而言，我们的工作表明，体-树突神经元模型提供了一种有前景的神经启发式学习策略，既可解释大脑分离能力的特征，也能对尚未测试的实验设置做出预测。
引用
@article{arxiv.2201.06123,
title = {Modeling the Repetition-based Recovering of Acoustic and Visual Sources with Dendritic Neurons},
author = {Giorgia Dellaferrera and Toshitake Asabuki and Tomoki Fukai},
journal= {arXiv preprint arXiv:2201.06123},
year = {2022}
}