人工神经网络模型自闭症患者面部处理

一种新的计算模型可以解释识别面部情绪的差异。

我们中的许多人很容易识别出他人脸上表达的情绪。微笑可能意味着幸福，而皱眉可能表示愤怒。自闭症患者通常很难完成这项任务。目前尚不清楚原因。但发表在《神经科学杂志》(The Journal of Neuroscience)上的新研究揭示了大脑的内部运作，以提出答案。它使用一种工具来实现这一点，该工具为我们头脑中的计算建模开辟了新的途径：人工智能。

研究人员主要提出了两个大脑区域，其中可能存在差异。灵长类动物(包括人类)大脑一侧的一个区域称为下颞叶(IT)皮层，有助于面部识别。同时，一个称为杏仁核的更深层区域接收来自IT皮层和其他来源的输入，并帮助处理情绪。

麻省理工学院教授詹姆斯·迪卡洛(James DiCarlo)实验室的研究科学家Kohitij Kar希望将注意力集中在答案上。(DiCarlo是大脑与认知科学系的Peter de Florez教授，是McGovern Institute for Brain Research的成员，也是麻省理工学院Quest for Intelligence的主任。

Kar首先研究了另外两位研究人员提供的数据：圣路易斯华盛顿大学的Shuo Wang和加州理工学院的Ralph Adolphs。在一项实验中，他们向自闭症成年人和神经典型对照者展示了面部图像。这些图像是由软件生成的，从恐惧到快乐不等，参与者迅速判断这些面孔是否描绘了幸福。与对照组相比，自闭症成年人需要更高的面部幸福感才能报告他们快乐。

大脑建模

Kar也是大脑，思想和机器中心的成员，他训练了一个人工神经网络，这是一个受大脑架构启发的复杂数学函数，以执行相同的任务。该网络包含大致类似于处理视觉信息的生物神经元的单元层。当信息从输入图像传递到最终判断时，这些层会处理信息，指示人脸快乐的概率。Kar发现，与自闭症成年人相比，该网络的行为更接近神经典型对照组。

该网络还具有两个更有趣的功能。首先，卡尔可以剖析它。他剥离了层并重新测试了它的性能，测量了它与对照的匹配程度与自闭症成年人的匹配程度之间的差异。当输出基于最后一个网络层时，这种差异最大。先前的研究表明，这一层以某种方式模仿了IT皮层，IT皮层位于灵长类动物大脑腹侧视觉处理管道的末端附近。Kar的结果表明IT皮层在区分神经典型控制与自闭症成年人方面有关。

另一个功能是，该网络可用于选择在自闭症诊断中可能更有效的图像。如果在判断一组图像与另一组图像时，网络与神经典型对照与自闭症成人之间的匹配程度之间的差异更大，则可以在临床上使用第一组图像来检测自闭症行为特征。“这些都是有希望的结果，”Kar说。更好的大脑模型会出现，“但在临床上，我们通常不需要等待绝对最好的产品。

接下来，Kar评估了杏仁核的作用。他再次使用了Wang及其同事的数据。他们使用电极来记录接受癫痫手术的人在执行面部任务时杏仁核中神经元的活动。研究小组发现，他们可以根据这些神经元的活动来预测一个人的判断。Kar重新分析了数据，这次控制了类似IT皮层的网络层预测一张脸是否真的快乐的能力。现在，杏仁核提供的信息很少。Kar得出结论，IT皮层是杏仁核在判断面部情绪方面的作用背后的驱动力。

嘈杂的网络

最后，Kar训练了单独的神经网络来匹配神经典型对照和自闭症成年人的判断。他研究了最终层和决策节点之间联系的优势或“权重”。与自闭症成人匹配的网络中的权重，包括阳性或“兴奋性”和负性或“抑制性”权重，都弱于匹配神经典型对照的网络中的权重。这表明自闭症成年人的感觉神经连接可能是嘈杂或低效的。

为了进一步检验在该领域流行的噪声假说，Kar在自闭症成人网络建模中最后一层的活动中添加了各种级别的波动。在一定范围内，添加的噪音大大增加了其性能与自闭症成人之间的相似性。向控制网络添加噪声对于提高其与控制参与者的相似性的作用要小得多。这进一步表明，自闭症患者的感觉感知可能是所谓的“嘈杂”大脑的结果。

计算能力

展望未来，Kar看到了视觉处理计算模型的几种用途。它们可以进一步推动，提供研究人员可能在动物模型中测试的假设。“我认为面部情感识别只是冰山一角，”Kar说。它们还可用于选择甚至生成诊断内容。人工智能可用于生成电影和教育材料等内容，以最佳方式吸引自闭症儿童和成人。人们甚至可能会调整自闭症患者在增强现实护目镜中看到的面部和其他相关像素，这是Kar计划在未来追求的工作。

Kar说，最终，这项工作有助于验证计算模型的有用性，尤其是图像处理神经网络。他们正式化假设并使其可测试。一个模型或另一个模型是否更匹配行为数据?“即使这些模型离大脑很远，它们也是可证伪的，而不是人们只是编造故事，”他说。“对我来说，这是一个更强大的科学版本。