論文の概要: Modelling the Effects of Hearing Loss on Neural Coding in the Auditory Midbrain with Variational Conditioning

• arxiv url: http://arxiv.org/abs/2506.03088v1
• Date: Tue, 03 Jun 2025 17:12:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:35.883329
• Title: Modelling the Effects of Hearing Loss on Neural Coding in the Auditory Midbrain with Variational Conditioning
• Title（参考訳）: 変分条件下における聴覚中脳のニューラルコーディングに及ぼす聴覚損失の影響のモデル化
• Authors: Lloyd Pellatt, Fotios Drakopoulos, Shievanie Sabesan, Nicholas A. Lesica,
• Abstract要約: 健常動物および騒音曝露動物の聴覚中脳における神経活動の記録から直接聴覚損失の空間を符号化する新しい変分条件モデルを提案する。 動物1頭あたりの聴力損失は6自由パラメータのみであり, 正常聴力動物の神経反応の62%, 難聴動物の68%を正確に予測した。 このモデルにより、聴覚障害脳における正常なニューラルコーディングを直接復元するために訓練されたパラメトリック聴覚損失補償モデルの将来の開発が可能になる。
• 参考スコア（独自算出の注目度）: 1.837431956557716
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The mapping from sound to neural activity that underlies hearing is highly non-linear. The first few stages of this mapping in the cochlea have been modelled successfully, with biophysical models built by hand and, more recently, with DNN models trained on datasets simulated by biophysical models. Modelling the auditory brain has been a challenge because central auditory processing is too complex for models to be built by hand, and datasets for training DNN models directly have not been available. Recent work has taken advantage of large-scale high resolution neural recordings from the auditory midbrain to build a DNN model of normal hearing with great success. But this model assumes that auditory processing is the same in all brains, and therefore it cannot capture the widely varying effects of hearing loss. We propose a novel variational-conditional model to learn to encode the space of hearing loss directly from recordings of neural activity in the auditory midbrain of healthy and noise exposed animals. With hearing loss parametrised by only 6 free parameters per animal, our model accurately predicts 62\% of the explainable variance in neural responses from normal hearing animals and 68% for hearing impaired animals, within a few percentage points of state of the art animal specific models. We demonstrate that the model can be used to simulate realistic activity from out of sample animals by fitting only the learned conditioning parameters with Bayesian optimisation, achieving crossentropy loss within 2% of the optimum in 15-30 iterations. Including more animals in the training data slightly improved the performance on unseen animals. This model will enable future development of parametrised hearing loss compensation models trained to directly restore normal neural coding in hearing impaired brains, which can be quickly fitted for a new user by human in the loop optimisation.
• Abstract（参考訳）: 聴覚の下の音から神経活動へのマッピングは非常に非線形である。 このcochleaでのマッピングの最初の数段階は、手動で構築された生物物理学モデル、そして最近では、生物物理学モデルでシミュレートされたデータセットに基づいて訓練されたDNNモデルによって、うまくモデル化されている。 中心的な聴覚処理が複雑すぎて手作業でモデルを構築することができず、DNNモデルをトレーニングするためのデータセットが利用できないため、聴覚脳のモデリングは難しい。 最近の研究は、聴覚中脳からの大規模高分解能神経記録を利用して、正常聴力のDNNモデルを構築し、大きな成功を収めている。 しかし、このモデルは全ての脳で聴覚処理が同一であると仮定し、聴覚障害の幅広い影響を捉えることはできない。 健常動物および騒音曝露動物の聴覚中脳における神経活動の記録から直接聴覚損失の空間を符号化する新しい変分条件モデルを提案する。 動物1頭あたりの聴力損失は6自由パラメータのみであり, 正常聴力動物による神経反応の62%, 難聴動物では68%を精度良く予測した。 このモデルを用いて, 学習条件パラメータのみをベイズ最適化に適合させ, 15～30回の反復で最適の2%以内のクロスエントロピー損失を達成できることを実証した。 トレーニングデータにより多くの動物を含めると、目に見えない動物のパフォーマンスはわずかに改善した。 このモデルにより、聴覚障害のある脳において、正常なニューラルコーディングを直接復元するために訓練されたパラメトリド聴覚損失補償モデルの将来の開発が可能になる。

関連論文リスト

• Utilizing Machine Learning and 3D Neuroimaging to Predict Hearing Loss: A Comparative Analysis of Dimensionality Reduction and Regression Techniques [0.0]
  我々は,脳の灰白質3次元画像における難聴閾値を予測するための機械学習アプローチについて検討した。 第1フェーズでは,3次元CNNモデルを用いて,遅延空間への高次元入力を低減した。 第2フェーズでは、このモデルを使用して、リッチな機能への入力を削減した。
  論文  参考訳（メタデータ） (2024-04-30T18:39:41Z)
• Hopfield-Enhanced Deep Neural Networks for Artifact-Resilient Brain State Decoding [0.0]
  そこで本研究では, ホップフィールド・ネットワークとコナール・ニューラル・ネットワーク(CNN)を併用した2段階の計算手法を提案する。 様々なレベルのデータ圧縮とノイズ強度のパフォーマンスは、我々のフレームワークがアーティファクトを効果的に軽減し、より低いノイズレベルにおいてクリーンなデータCNNと同等の精度でモデルに到達できることを示しました。
  論文  参考訳（メタデータ） (2023-11-06T15:08:13Z)
• Cross-Model Comparative Loss for Enhancing Neuronal Utility in Language Understanding [82.46024259137823]
  幅広いタスクに対するクロスモデル比較損失を提案する。 3つの異なるNLUタスクから14のデータセットに対する広範な実験により比較損失の普遍的有効性を示す。
  論文  参考訳（メタデータ） (2023-01-10T03:04:27Z)
• Neural Language Models are not Born Equal to Fit Brain Data, but Training Helps [75.84770193489639]
  音声ブックを聴く被験者の機能的磁気共鳴イメージングの時間軸予測に及ぼすテスト損失,トレーニングコーパス,モデルアーキテクチャの影響について検討した。 各モデルの訓練されていないバージョンは、同じ単語をまたいだ脳反応の類似性を捉えることで、脳内のかなりの量のシグナルをすでに説明していることがわかりました。 ニューラル言語モデルを用いたヒューマン・ランゲージ・システムの説明を目的とした今後の研究の実践を提案する。
  論文  参考訳（メタデータ） (2022-07-07T15:37:17Z)
• Self-supervised models of audio effectively explain human cortical responses to speech [71.57870452667369]
  我々は、自己教師型音声表現学習の進歩に乗じて、人間の聴覚システムの最先端モデルを作成する。 これらの結果から,ヒト大脳皮質における音声処理の異なる段階に関連する情報の階層構造を,自己教師型モデルで効果的に把握できることが示唆された。
  論文  参考訳（メタデータ） (2022-05-27T22:04:02Z)
• Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
  3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。 本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。 ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
  論文  参考訳（メタデータ） (2021-12-02T12:45:46Z)
• Fooling the primate brain with minimal, targeted image manipulation [67.78919304747498]
  本稿では、行動に反映される神経活動と知覚の両方の変化をもたらす、最小限の標的画像摂動を生成するための一連の手法を提案する。 我々の研究は、敵対的攻撃、すなわち最小限のターゲットノイズによる画像の操作で同じ目標を共有し、ANNモデルに画像の誤分類を誘導する。
  論文  参考訳（メタデータ） (2020-11-11T08:30:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。