基于关键点的建模揭示了高角神经元中细粒度的身体姿势调整
Rajani Raman1,2, Anna Bognár1,2, Ghazaleh Ghamkhari Nejad1,2
1Department of Neurosciences, KU Leuven, Leuven, Belgium.
Nature communications
|July 2, 2025
概括
研究人员使用深度学习来分析子的身体姿势和观点,揭示了STS脑区如何处理社会信号. 这种深度学习方法增强了对灵长类非语言沟通的理解.
科学领域:
- 神经科学是一个神经科学.
- 灵长类动物的行为
- 计算机视觉 计算机视觉 计算机视觉
背景情况:
- 身体姿势和方向对于灵长类动物的社会交流至关重要.
- 上 (STS) 参与处理视觉社会线索.
- 了解神经对身体信息的表现是关键.
研究的目的:
- 研究灵长类STS中身体姿势和视角的神经调.
- 利用深度学习和fMRI数据来建模神经反应.
- 识别STS神经元有效的身体部位和视图.
主要方法:
- 应用深度学习算法从子视频和子化身中提取身体姿势.
- 使用基于关键点的主要组件回归与交叉验证来建模神经选择性.
- 采用模型反转来确定有影响力的身体部位和观点.
主要成果:
- 中部STS单元对视图依赖的2D关键点表示做出了响应,通过神经元特定的身体部位调整.
- 之前的STS单元在视图依赖的3D模型和镜面对称的视点调整方面表现更好.
- 视角独立模型表现不佳,这表明视角在STS处理中的重要性.
结论:
- 灵长类动物的视觉系统使用基于关键点的表示来编码社会相关的身体线索.
- STS神经元表现出对身体姿势和视角的复杂调整.
- 这项研究推动了我们对STS体位表现的理解.
