神经系统实现运动预测以补偿时间延迟的机制研究

Up to now, our knowledge of how neural systems process static information has advanced considerably, the equally important issue of how neural systems process motion information has remained much less understood. A big challenge in processing motion information is to compensate for time delays which are pervasive in neural systems. These delays are significant and also inevitable, which are the consequence of neural signals transmitted over layers of neurons and communicated between functional areas in the brain. If these delays are not compensated properly, our perception of a fast moving object will lag behind its true position in the external world significantly, impairing our vision and motor control. A large volume of experimental study has revealed that the brain compensates time delays by predicting the future position of a moving object, however, the extract neural mechanism for achieving this computation remains largely unknown. Our preliminary study showed that negative feedback modulation, a phenomenon widely observed in neuronal and synaptic activities, can enable a neural network to respond anticipatively to moving inputs. Based on this finding, in this project, we will use combined approaches, including computational modelling, experimental phenomenon reproducing, and psychophysical experiment, to investigate systematically the mechanism for neural delay compensation, an issue of critical importance but yet well studied in the field.

迄今为止人们对神经系统如何提取外部输入中静态信息的机制已经较为熟悉，但对其处理动态信息的机制却知之甚少。在处理运动信息时，神经系统面临的一个根本性挑战是克服神经信号在大脑内传输的时间延迟；这种延迟是显著的，同时又是不可避免的，它是层次化的神经信号通路和模块化的脑功能分区在传递、交流信息时必然产生的结果。如果这些时间延迟得不到补偿，神经系统对快速运动物体的空间位置感知就会滞后于物体的真实位置，从而不能实时处理运动信息。大量实验表明大脑补偿延迟的策略是对运动物体将要到达的空间位置做出预测，但其实现的具体神经机制一直不清楚。我们的前期工作发现神经元或突触活动时广泛存在的负反馈调节可以使得神经网络对连续运动输入产生提前反应。基于这个发现，本项目将结合计算建模、实验现象再现、以及心理物理实验验证，来对神经系统补偿时间延迟的机制，这个重要但尚未被系统探索的问题，展开深入细致的研究。

迄今为止人们对神经系统如何提取外部输入中静态信息的机制已经较为熟悉，但对其处理动态信息的机制却知之甚少。在处理运动信息时，神经系统面临的一个根本性挑战是如何克服神经信号在大脑内传输的时间延迟。这种延迟是显著的，同时又是不可避免的，它是层次化的神经信号通路和模块化的脑功能分区在传递、交流信息时必然产生的结果。如果这些时间延迟得不到补偿，神经系统对快速运动物体的空间位置感知会滞后于物体的真实位置，从而不能实时处理运动信息。大量实验表明大脑补偿时间延迟的策略是对运动物体将要到达的空间位置做出预测，但其实现的神经计算机制仍不清楚。.在本项目研究过程中，我们首先构建了具有负反馈效应调节的连续吸引子神经网络模型，解析了网络中行波活动状态的内在移动速度；其次，解析了网络实现不同追踪行为（超前或者滞后）的临界条件；再次，理论解析了网络实现完美追踪、完美超前追踪的参数条件，以及超前预测追踪的恒定时间的数学表达；最后，再现了实验中发现的完美追踪和完美预测追踪的实验现象。研究系列成果发表在Progress in Neurobiology, Neural Networks, Phys. Rev. E, NeurIPS, Front. Comput. Neuros.等。.通过本项目的研究，一方面，不仅可以加深人们对大脑处理运动信息机制的了解，同时也对其他脑功能在面临时间延迟时工作机理有很强的启示作用。另一方面，运动目标的预测追踪一直是人工智能领域的研究热点。现有算法仍有一些局限性，无法实时追踪和预测追踪运动目标。本项目的研究结果为类脑预测追踪算法提供了重要的理论基础，其成果对高效视频处理、安防监控、自动驾驶、军事目标搜索跟踪等领域具有重要应用价值。

内容获取失败，请点击重试