面向啮齿动物触须-三叉神经系统目标驱动的神经网络模型

在很大程度上，啮齿动物通过触须感知世界，这是一种由一系列构成触须-三叉神经系统的脑区实现的强大触觉。原始感觉数据以机械输入的形式到达极其敏感且可主动控制的触须阵列，并经过一系列神经回路进行处理，最终到达与决策和记忆区域通信的皮层区域。尽管长期的实验研究已经刻画了这些处理阶段的许多方面，但触须-三叉神经系统的计算操作在很大程度上仍然未知。在本研究中，我们采用目标驱动的深度神经网络（DNN）方法来对这些计算进行建模。首先，我们构建了一个大鼠触须阵列的生物物理真实模型。然后，我们生成了一个大型数据集，包含在各种姿态、角度和速度下扫过各种3D物体的触须扫描数据。接下来，我们训练了来自几个不同架构家族的DNN，以解决该数据集中的形状识别任务。每个架构家族代表了触须-三叉神经系统中处理过程的一种结构上不同的假设，对应于空间和时间信息整合的不同方式。我们发现，大多数网络在这个具有挑战性的形状识别任务上表现不佳，但来自几个家族的特定架构可以达到合理的性能水平。最后，我们展示了表征不相似性矩阵（RDM），一种用于比较神经系统间群体编码的工具，能够利用在神经生理学或成像实验中合理收集的数据类型来区分这些性能较高的网络。我们的结果是一个概念验证，表明触须-三叉神经系统的目标驱动DNN网络是潜在可行的。