美国罗彻斯特大学、华盛顿大学圣路易斯分校和贝勒医学院通过实验研究，验证了大脑形成客观认知时处理复杂且迅速变化信号的加权规则。相关论文在线发表于《自然—神经科学》上。
人们时刻经受着各种信息的轰炸，眼睛、耳朵、鼻子、舌头和皮肤不断地将不同甚至互相矛盾的感觉信号传送给大脑，大脑要整合多渠道的感官信息，才能尽量精确地形成对客观世界的认知。比如在IMAX剧场的巨幅画面中出现了飞机转弯的场景，你也会紧紧抓住座椅。大幅的视觉输入信号让你觉得自己也在动，但内耳中的平衡器却不断向你传达着平衡信号，让你知道自己正安全地坐在剧场椅子上。
以往的计算理论认为，大脑通过加权规则来预计点亮哪些神经元。最新研究不仅证明了这一理论，还对该理论进行了扩展。研究人员解释说，单个神经元执行简单计算，一次简单计算就是一种加权平均，神经元必须对每种感觉赋予正确的权重。新研究为这一赋权过程提供了首个直接证据。
他们设计了一套虚拟—现实系统试验，给志愿者提供两个反向信号：一种是在计算机屏幕上用小点模拟的向前运动，另一种用运动平台让志愿者的身体产生真实运动。小点运动点的数量在随机改变，以此改变屏幕视觉信号相对于真实运动信号对大脑的可靠度，然后让志愿者指出自己的运动方向。
研究显示，数百万的神经元执行重复性相似计算时，大脑知道哪种感觉信号更加重要。“从根本上而言，大脑能把高级行为任务破解为一系列简单的操作，让多个神经元同时执行。”论文合著者、罗彻斯特大学脑与认知科学教授格雷戈·迪安杰利斯说。
在实验中，他们发现神经元获得的权重和理论预测略有差异，而这一差异正好解释了不同志愿者在相同实验条件下的行为差异。迪安杰利斯说：“如果能预测这些微小差异，就能在单个神经元的初级计算和各种详细行为之间建立起联系。”
研究人员还指出，该发现有望为老年痴呆症或其他有关个体自感神经系统紊乱方面的疾病带来新疗法。深入理解大脑连接不同感觉信号的机制，也能帮助工程师们给机器人设计出更复杂的人造神经系统。(生物谷Bioon.com)
doi:10.1038/nn.2983
PMC:
PMID:
Neural correlates of reliability-based cue weighting during multisensory integration
Christopher R Fetsch, Alexandre Pouget, Gregory C DeAngelis & Dora E Angelaki
Integration of multiple sensory cues is essential for precise and accurate perception and behavioral performance, yet the reliability of sensory signals can vary across modalities and viewing conditions. Human observers typically employ the optimal strategy of weighting each cue in proportion to its reliability, but the neural basis of this computation remains poorly understood. We trained monkeys to perform a heading discrimination task from visual and vestibular cues, varying cue reliability randomly. The monkeys appropriately placed greater weight on the more reliable cue, and population decoding of neural responses in the dorsal medial superior temporal area closely predicted behavioral cue weighting, including modest deviations from optimality. We found that the mathematical combination of visual and vestibular inputs by single neurons is generally consistent with recent theories of optimal probabilistic computation in neural circuits. These results provide direct evidence for a neural mechanism mediating a simple and widespread form of statistical inference.
