STSBench: A Large-Scale Dataset for Modeling Neuronal Activity in the Dorsal Stream of Primate Visual Cortex
本文介绍了 STSBench，这是一个大规模数据集，包含在观看自然视频时灵长类动物颞上沟中 2,000 多个神经元的记录，旨在推进背侧流神经反应的模型构建与基准测试，而此前由于缺乏充足的数据，这一领域一直受到阻碍。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
想象一下你的大脑是一座繁忙的城市，拥有两条处理视觉信息的主要高速公路。其中一条高速公路是“腹侧流”（Ventral Stream），它就像一位高端艺术画廊的策展人；它痴迷于识别事物“是什么”。那是猫吗？是一个咖啡杯？还是一个红苹果？它关注形状、颜色和细节。另一条高速公路是“背侧流”（Dorsal Stream），它更像是一个交通控制器或一名跑酷专家；它并不那么在意物体的名称，而是更在意物体“在哪里”以及“如何移动”。这是你大脑中让你无需思考球的品牌标识就能接住球，或者在行走时躲避旋转门的部分。
多年来，科学家们能够构建出充当“艺术画廊策展人”的计算机模型。通过向这些模型输入海量数据，他们可以极其准确地预测大脑物体识别高速路的工作方式。但“交通控制器”高速公路却一直是个谜。为什么呢？因为想要看清那里的神经元是非常困难的。这就像试图通过一次只看一辆车，或者更糟，只看一张模糊的道路照片，来研究一个繁忙的交叉路口。如果没有大规模、清晰的数据集，我们只能靠猜测来理解大脑是如何计算运动和空间的。
这就是名为 STSBENCH 的一项新研究出现并改变游戏规则的地方。研究人员通过对恒河猴进行研究，决定为大脑中这个“交通控制器”部分构建一个庞大的脑活动库。他们使用了一种超先进的记录工具（一个带有数百个传感器的微型探针），在猴子观看数千个独特的自然视频时，同时监听超过 2,000 个神经元的电信号交流。与我们以前拥有的任何数据相比，这几乎是 50 倍的数据量增长。
这篇论文主要做了两件事。首先，他们测试了一系列计算机模型，以观察哪些模型能最好地预测那些神经元的活动。他们发现，那些依赖于简单、手工设计的运动规则的传统模型表现尚可，但并不出色。然而，一种新型的模型——一种从视频中从头开始训练的深度学习网络——表现得要好得多。这表明大脑的运动中心正在进行一些非常复杂的深度计算，而我们目前的简单理论尚未能完全捕捉到这些计算。
其次，他们尝试做相反的操作：他们提取大脑的电信号，并要求计算机“重建”猴子所看到的画面。结果非常迷人，且完全符合对两条不同高速路的预期。当他们从“物体”部分的大脑中重建图像时，计算机绘制出了色彩鲜明、细节具体的清晰图像。但当他们从“运动”部分（他们记录的 STS 区域）重建图像时，计算机绘制出了模糊、幽灵般的轮廓。它捕捉到了运动和宏观形状（如桌子或架子的边缘），但完全丢失了精细的细节，比如水瓶上的标签或水果的颜色。这证实了背侧流确实专注于“在哪里”和“如何移动”，将“是什么”的任务留给了另一侧。
通过向公众发布这个庞大的数据集和这些新模型，作者们为科学界提供了一套全新的工具。他们并不是声称已经解开了视觉的全部奥秘，但他们提供了一张更清晰的领域地图。他们证明了，有了足够的数据，我们终于可以开始理解大脑在导航移动世界时所使用的复杂非线性数学，并且他们证明了“交通控制器”神经元与“艺术策展人”神经元是非常不同的，各自承担着专门的工作。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。