Decodificación de objetos acústicos | Penn hoy

¿Cómo se distingue el ladrido de un perro del canto de un cuervo? ¿O alguien que camina por un camino empedrado con zuecos de madera y zapatillas de deporte? La respuesta puede parecer sencilla; Sin embargo, existen algunas frecuencias y señales auditivas y temporales sutiles que permiten a los humanos y otros animales identificar algunas características definitorias de lo que acaban de escuchar.

Lily Wei es una estudiante universitaria que pasa el verano investigando en el Laboratorio de Física de Sistemas Vivos de Vijay Balasubramanian y trabajando en un proyecto que busca desmitificar cómo el cerebro descifra objetos auditivos como la piel de un perro, un cuervo o caminar sobre zuecos de madera. . . Estos esfuerzos cuentan con el apoyo del programa Velay Fellows y de las becas de investigación de pregrado de la College Alumni Society, que brindan apoyo a estudiantes de pregrado que realizan investigaciones independientes o semiindependientes.

Balasubramanian dijo que un ejemplo popular del problema que Wei está tratando de resolver tiene que ver con un fenómeno conocido como «efecto cóctel», cuando los oyentes son bombardeados con muchos sonidos superpuestos pero intentan concentrarse en lo que dice la gente. «A diferencia de los objetos visuales, los sonidos se mezclan y no se ocluyen, sino que se superponen de una manera que hace que escuchar una voz en la fiesta sea bastante difícil», dijo.

«El estudio de cómo el cerebro decodifica los estímulos visuales está bien desarrollado, por lo que queríamos adoptar un enfoque diferente», dijo Wei, de Chongqing, China. «Sentimos que era necesario darnos una mejor comprensión de cómo nuestro cerebro percibe lo que es el sonido y quedamos muy satisfechos con los resultados iniciales».

Para obtener estos resultados prometedores, Wei, Balasubramanian y otros en el laboratorio como Ronald DiTullio, Ph.D. El egresado de la Escuela de Medicina Perelman que dirigió la investigación, optó por un enfoque teórico que busca revertir el sistema auditivo.

«Diseccionar cada componente del sistema auditivo no siempre es factible y no nos proporcionará la información que buscábamos sobre la lógica del procesamiento auditivo», dijo Wei. «Así que decidimos utilizar algoritmos, especialmente algoritmos biofísicos simples, en lugar de los métodos cada vez más comunes de aprendizaje automático».

Él y otros investigadores comenzaron a plantear la hipótesis del principio que el sistema auditivo puede utilizar para separar categorías de sonidos, y utilizaron métodos matemáticos más directos para comprender si esta hipótesis podría usarse en el contexto de sonidos naturales como vocalizaciones de animales y cantos de pájaros.

Balasubramanian sostiene que los objetos auditivos, como todos los objetos, se definen por ciertos tipos de señales temporales, a saber, coincidencia y coherencia. Coincidencia, en el sentido de que un objeto como un libro tiene un cierto número de ángulos rectos que ocurren al mismo tiempo. La coincidencia puede ser temporal, pero un punto importante es que tiene coherencia, o continuidad, en el tiempo. «Básicamente, se puede determinar que los objetos se definen por coincidencias coherentes a lo largo del tiempo», dijo.

Un gráfico que muestra el análisis de características predictivas, el análisis de características lentas y el análisis de componentes principales en el espectro propio.

Análisis de valores propios del análisis de características predictivas, análisis de características lentas (SFA) y análisis de componentes principales (PFA) de varias especies. «Podemos decir que para PFA y SFA las primeras diez características son pronunciadas, lo que llamamos rigidez, y se vuelven más graduales», dice Wei. «Nuestro objetivo es encontrar el punto donde el cambio de rígido a gradual. Este punto también nos da una idea de la dimensión efectiva de las características (hasta la dimensión que contiene información real ‘útil’: recuerde que se ha demostrado que los sonidos naturales tienen dimensiones bajas, por lo que no todas las dimensiones son igualmente importantes). (Imagen: Lily Wei)

Wei utilizó un algoritmo de aprendizaje temporal que combina coincidencia y continuidad en señales para aprender a reconocer objetos auditivos separados en una variedad de sonidos de diferentes animales. Los algoritmos utilizados tienen nombres como Análisis lento de características y Análisis predictivo de características, que se eligieron porque proporcionan una forma elegante de extraer características específicas del objeto auditivo analizado.

«Por lo tanto, uno de nuestros objetivos es comprender si la lentitud, que se analiza con el primer algoritmo, está asociada con la previsibilidad, que se analiza con el segundo algoritmo», dijo Wei. «Por supuesto, uno pensaría que algo lento sería predecible, pero no sabemos si eso es cierto en nuestra situación».

Balasubramanian dice que a través de la codificación predictiva, estudió los elementos predecibles de los sonidos naturales y descubrió que la forma de decodificar sonidos basada en la predicción se asemeja mucho a la forma de decodificarlos basada en el tiempo. propiedad.

«Esperamos hacer predicciones sobre cómo funcionan los circuitos cerebrales», dijo Wei. «Si así es como los circuitos del cerebro aprenden a reconocer objetos, al alterar las señales auditivas que llegan al oído, deberíamos poder alterar el aprendizaje de una manera muy específica».

Mapas de calor de correlación del análisis de características lentas de humanos y simios trazados contra el análisis de características predictivas.

Ambos gráficos muestran la interrelación de SFA y PFA. Cada color representa un valor de correlación de Pearson (de 0 a 1,0; 0 significa que no hay correlación y 1 una correlación fuerte). La correlación se basa en vectores propios (también llamados características) extraídos por SFA y PFA. (Foto: Lily Wei)

Él y Balasubramanian esperan que, al hacer estas predicciones teóricas y computacionales, puedan trabajar con experimentadores que puedan probar sus ideas experimentalmente.

«Al utilizar características temporales simples, como aspectos de continuidad y coincidencias, se pueden extraer características predecibles que serán útiles para guiar el resultado del comportamiento animal, como lo que probablemente sucederá a continuación», dijo Balasubramanian.

Vijay Balasubramanian como la profesora Cathy y Marc Lasry en Escuela de Artes y CienciasDepartamento de Física y Astronomía en Universidad de Pennsylvania.

Linran (Lily) Wei es una estudiante de tercer año en la Escuela de Artes y Ciencias de Penn y una Becaria Frances Velay.

Puede interesarte

Rutina de práctica de guitarra: cómo mejorar la práctica

Pruébalo hoy, vuelve a la configuración de fábrica, reinicia para jugar. Abrimos todo tipo de …

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *