ശബ്ദ പ്രാദേശികവൽക്കരണം: മസ്തിഷ്കം ശബ്ദ സ്രോതസ്സുകളെ എങ്ങനെ തിരിച്ചറിയുന്നു

നമ്മുടെ ചുറ്റുമുള്ള ലോകം എല്ലാത്തരം വിവരങ്ങളാലും നിറഞ്ഞിരിക്കുന്നു, നമ്മുടെ മസ്തിഷ്കം തുടർച്ചയായി പ്രോസസ്സ് ചെയ്യുന്നവ. നമ്മുടെ ഇന്ദ്രിയങ്ങളിലൂടെയാണ് ഈ വിവരങ്ങൾ അത് സ്വീകരിക്കുന്നത്, അവയിൽ ഓരോന്നും അതിന്റേതായ സിഗ്നലുകൾക്ക് ഉത്തരവാദികളാണ്: കണ്ണുകൾ (കാഴ്ച), നാവ് (രുചി), മൂക്ക് (ഗന്ധം), ചർമ്മം (സ്പർശം), വെസ്റ്റിബുലാർ സിസ്റ്റം (സന്തുലിതാവസ്ഥ, ബഹിരാകാശത്തെ സ്ഥാനം, ഭാരബോധം), ചെവികൾ (ശബ്ദം). ഈ അവയവങ്ങളിൽ നിന്നുള്ള സിഗ്നലുകൾ സംയോജിപ്പിക്കുന്നതിലൂടെ, നമ്മുടെ തലച്ചോറിന് പരിസ്ഥിതിയുടെ കൃത്യമായ ചിത്രം നിർമ്മിക്കാൻ കഴിയും. എന്നാൽ ബാഹ്യ സിഗ്നലുകൾ എങ്ങനെ പ്രോസസ്സ് ചെയ്യപ്പെടുന്നു എന്നതിന്റെ എല്ലാ വശങ്ങളും നമുക്ക് മനസ്സിലാകുന്നില്ല. ശബ്ദ സ്രോതസ്സുകളെ പ്രാദേശികവൽക്കരിക്കുന്നതിനുള്ള സംവിധാനം അത്തരമൊരു രഹസ്യമാണ്.

ന്യൂജേഴ്‌സി ഇൻസ്റ്റിറ്റ്യൂട്ട് ഓഫ് ടെക്‌നോളജിയിലെ സ്പീച്ച് ആൻഡ് ഹിയറിംഗ് ന്യൂറോ എഞ്ചിനീയറിംഗ് ലാബിലെ ശാസ്ത്രജ്ഞർ ശബ്ദ പ്രാദേശികവൽക്കരണത്തിന്റെ ന്യൂറൽ പ്രക്രിയയുടെ ഒരു പുതിയ മാതൃക നിർദ്ദേശിച്ചിട്ടുണ്ട്. ശബ്ദ ധാരണയുടെ സമയത്ത് തലച്ചോറിൽ എന്ത് പ്രക്രിയകളാണ് സംഭവിക്കുന്നത്, ഒരു ശബ്ദ സ്രോതസ്സിന്റെ സ്ഥാനം നമ്മുടെ തലച്ചോറ് എങ്ങനെ മനസ്സിലാക്കുന്നു, കേൾവി വൈകല്യങ്ങളെ ചെറുക്കാൻ ഈ ഗവേഷണം എങ്ങനെ സഹായിക്കും? ഗവേഷണ സംഘത്തിന്റെ റിപ്പോർട്ടിൽ ഇതിനെക്കുറിച്ച് നമുക്ക് പഠിക്കാം. നമുക്ക് ആരംഭിക്കാം.

ഗവേഷണ അടിസ്ഥാനം

നമ്മുടെ തലച്ചോറിന് ഇന്ദ്രിയങ്ങളിൽ നിന്ന് ലഭിക്കുന്ന വിവരങ്ങൾ അതിന്റെ ഉറവിടത്തിലും അത് എങ്ങനെ പ്രോസസ്സ് ചെയ്യപ്പെടുന്നു എന്നതിലും വ്യത്യാസപ്പെട്ടിരിക്കുന്നു. ചില സിഗ്നലുകൾ ഉടനടി കൃത്യമായ വിവരങ്ങളായി നമ്മുടെ തലച്ചോറിൽ പ്രത്യക്ഷപ്പെടുന്നു, മറ്റുള്ളവയ്ക്ക് അധിക കമ്പ്യൂട്ടേഷണൽ പ്രക്രിയകൾ ആവശ്യമാണ്. ഏകദേശം പറഞ്ഞാൽ, നമുക്ക് സ്പർശനം ഉടനടി അനുഭവപ്പെടുന്നു, പക്ഷേ ഒരു ശബ്ദം കേൾക്കുമ്പോൾ, അത് എവിടെ നിന്നാണ് വരുന്നതെന്ന് നമുക്ക് ഇപ്പോഴും കണ്ടെത്തേണ്ടതുണ്ട്.

തിരശ്ചീന തലത്തിൽ ശബ്ദങ്ങളെ പ്രാദേശികവൽക്കരിക്കുന്നതിനുള്ള അടിസ്ഥാനം ഇന്ററാറൽ* സമയ വ്യത്യാസം (ITD മുതൽ അന്താരാഷ്ട്ര സമയ വ്യത്യാസം) ശ്രോതാവിന്റെ ചെവിയിൽ എത്തുന്ന ശബ്ദങ്ങൾ.

ഇന്റർഓറൽ ബേസ്* - ചെവികൾക്കിടയിലുള്ള ദൂരം.

തലച്ചോറിലെ ഒരു പ്രത്യേക ഭാഗമാണ് (മീഡിയൽ സുപ്പീരിയർ ഒലിവ്, അല്ലെങ്കിൽ MSO) ഈ പ്രക്രിയയ്ക്ക് ഉത്തരവാദി. ഒരു ശബ്ദ സിഗ്നൽ ലഭിക്കുമ്പോൾ, MSO ഇന്ററാറൽ സമയ വ്യത്യാസങ്ങളെ ന്യൂറോണൽ പ്രതികരണ നിരക്കുകളാക്കി മാറ്റുന്നു. ITD യുടെ ഒരു ഫംഗ്‌ഷൻ എന്ന നിലയിൽ MSO ഔട്ട്‌പുട്ട് സിഗ്നൽ പ്രവേഗ വക്രങ്ങളുടെ ആകൃതി ഓരോ ചെവിക്കുമുള്ള ഇൻപുട്ട് സിഗ്നലുകളുടെ ക്രോസ്-കോറിലേഷൻ ഫംഗ്‌ഷനുമായി സാമ്യമുള്ളതാണ്.

എം‌വി‌ഒയിൽ വിവരങ്ങൾ എങ്ങനെ പ്രോസസ്സ് ചെയ്യുന്നുവെന്നും വ്യാഖ്യാനിക്കുന്നുവെന്നും വ്യക്തമല്ല, ഇത് വളരെയധികം വൈരുദ്ധ്യമുള്ള നിരവധി സിദ്ധാന്തങ്ങളിലേക്ക് നയിക്കുന്നു. ശബ്ദ പ്രാദേശികവൽക്കരണത്തിന്റെ ഏറ്റവും അറിയപ്പെടുന്നതും വാസ്തവത്തിൽ ക്ലാസിക്കൽ സിദ്ധാന്തവുമാണ് ജെഫ്രെസ് മോഡൽ (ലോയ്ഡ് എ. ജെഫ്രെസ്). ഇത് അടിസ്ഥാനമാക്കിയുള്ളതാണ് അടയാളപ്പെടുത്തിയ വരി* ഓരോ ചെവിയിൽ നിന്നുമുള്ള ന്യൂറൽ ഇൻപുട്ട് സിഗ്നലുകളുടെ ബൈനറൽ സിൻക്രൊണിയോട് സംവേദനക്ഷമതയുള്ള ഡിറ്റക്ടർ ന്യൂറോണുകൾ, ഓരോ ന്യൂറോണും ഒരു നിശ്ചിത ഐടിഡി മൂല്യത്തോട് പരമാവധി സെൻസിറ്റീവ് ആയിരിക്കും (1).

അടയാളപ്പെടുത്തിയ വരയുടെ തത്വം* — ഒരേ ഫിസിയോളജിക്കൽ തത്വങ്ങൾ ഉപയോഗിച്ച് ആവേഗങ്ങളെ അവയുടെ ആക്സോണുകളിലൂടെ കൈമാറുന്ന വ്യത്യസ്ത നാഡികൾക്ക് വ്യത്യസ്ത സംവേദനങ്ങൾ സൃഷ്ടിക്കാൻ കഴിയുന്നത് എങ്ങനെയെന്ന് വിശദീകരിക്കുന്ന ഒരു സിദ്ധാന്തം. വ്യത്യസ്ത രീതികളിൽ സമാനമായ ന്യൂറൽ സിഗ്നലുകളെ ഡീകോഡ് ചെയ്യാൻ കഴിയുന്ന കേന്ദ്ര നാഡീവ്യവസ്ഥയിലെ അതുല്യമായ ന്യൂറോണുകളുമായി ബന്ധിപ്പിച്ചിട്ടുണ്ടെങ്കിൽ, ഘടനാപരമായി സമാനമായ നാഡികൾക്ക് വ്യത്യസ്ത സംവേദന ധാരണകൾ സൃഷ്ടിക്കാൻ കഴിയും.

ചിത്രം #1

രണ്ട് ചെവികളിലുമെത്തുന്ന ശബ്ദങ്ങളുടെ പരിധിയില്ലാത്ത പരസ്പര ബന്ധത്തെ അടിസ്ഥാനമാക്കിയുള്ള ന്യൂറൽ കോഡിംഗുമായി കമ്പ്യൂട്ടേഷണൽ രീതിയിൽ ഈ മാതൃക സമാനമാണ്.

തലച്ചോറിന്റെ വ്യത്യസ്ത അർദ്ധഗോളങ്ങളിൽ നിന്നുള്ള ന്യൂറോണുകളുടെ ചില ജനസംഖ്യയുടെ പ്രതികരണ വേഗതയിലെ വ്യത്യാസങ്ങളെ അടിസ്ഥാനമാക്കി ശബ്ദ പ്രാദേശികവൽക്കരണം മാതൃകയാക്കാൻ കഴിയുമെന്ന് നിർദ്ദേശിക്കുന്ന ഒരു മാതൃകയും ഉണ്ട്, അതായത്, ഇന്റർഹെമിസ്ഫെറിക് അസമമിതി മാതൃക (1B).

ഇതുവരെ, രണ്ട് സിദ്ധാന്തങ്ങളിൽ (മാതൃകകൾ) ഏതാണ് ശരിയെന്ന് വ്യക്തമായി പറയാൻ ബുദ്ധിമുട്ടായിരുന്നു, കാരണം അവയിൽ ഓരോന്നും ശബ്ദ തീവ്രതയെ ശബ്ദ പ്രാദേശികവൽക്കരണത്തിന്റെ വ്യത്യസ്ത ആശ്രിതത്വങ്ങൾ പ്രവചിക്കുന്നു.

ഇന്ന് നമ്മൾ അവലോകനം ചെയ്യുന്ന പഠനത്തിൽ, ശബ്ദ ധാരണ ന്യൂറൽ കോഡിംഗിനെ അടിസ്ഥാനമാക്കിയുള്ളതാണോ അതോ വ്യക്തിഗത ന്യൂറൽ പോപ്പുലേഷനുകളുടെ പ്രതികരണങ്ങളിലെ വ്യത്യാസങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ളതാണോ എന്ന് മനസ്സിലാക്കാൻ ശാസ്ത്രജ്ഞർ രണ്ട് മോഡലുകളും സംയോജിപ്പിക്കാൻ തീരുമാനിച്ചു. 18 മുതൽ 27 വയസ്സ് വരെ പ്രായമുള്ള പങ്കാളികളിൽ (അഞ്ച് സ്ത്രീകളും ഏഴ് പുരുഷന്മാരും) നിരവധി പരീക്ഷണങ്ങൾ നടത്തി. 250 മുതൽ 8000 ഹെർട്സ് വരെയുള്ള ആവൃത്തികളിൽ പങ്കെടുക്കുന്നവരുടെ ഓഡിയോമെട്രിക് (ശ്രവണ അക്വിറ്റി) റീഡിംഗുകൾ 25 dB അല്ലെങ്കിൽ അതിൽ കൂടുതലായിരുന്നു. പ്രത്യേകവും ഉയർന്ന കാലിബ്രേറ്റ് ചെയ്തതുമായ ഉപകരണങ്ങൾ അടങ്ങിയ ഒരു സൗണ്ട് പ്രൂഫ് മുറിയിലാണ് പങ്കെടുക്കുന്നവരെ പാർപ്പിച്ചത്. ഒരു ശബ്ദ സിഗ്നൽ കേൾക്കുമ്പോൾ അതിന്റെ ദിശ സൂചിപ്പിക്കാൻ പങ്കെടുക്കുന്നവരോട് ആവശ്യപ്പെട്ടു.

ഗവേഷണ ഫലങ്ങൾ

ആശ്രിതത്വം വിലയിരുത്തുന്നതിന് ലാറ്ററലൈസേഷൻ* ലേബൽ ചെയ്ത ന്യൂറോണുകളോടുള്ള പ്രതികരണമായി ശബ്ദ തീവ്രതയിൽ നിന്ന് തലച്ചോറിന്റെ പ്രവർത്തനം നിർണ്ണയിക്കാൻ, കളപ്പുര മൂങ്ങയുടെ തലച്ചോറിന്റെ ലാമിനാർ ന്യൂക്ലിയസിലെ ന്യൂറോണുകളുടെ പ്രതികരണ നിരക്കിനെക്കുറിച്ചുള്ള ഡാറ്റ ഉപയോഗിച്ചു.

ലാറ്ററലിറ്റി* - ശരീരത്തിന്റെ ഇടത്, വലത് ഭാഗങ്ങളുടെ അസമമിതി.

ചില ന്യൂറോണൽ പോപ്പുലേഷനുകളുടെ പ്രതികരണ വേഗതയെ മസ്തിഷ്ക പ്രവർത്തന ലാറ്ററലൈസേഷന്റെ ആശ്രിതത്വം വിലയിരുത്തുന്നതിന്, റിസസ് മക്കാക്ക് തലച്ചോറിന്റെ ഇൻഫീരിയർ കോളികുലസിന്റെ പ്രവർത്തനത്തെക്കുറിച്ചുള്ള ഡാറ്റ ഉപയോഗിച്ചു, അതിനുശേഷം വ്യത്യസ്ത അർദ്ധഗോളങ്ങളിൽ നിന്നുള്ള ന്യൂറോണുകളുടെ വേഗതയിലെ വ്യത്യാസങ്ങൾ അധികമായി കണക്കാക്കി.

ലേബൽ ചെയ്ത ലൈൻ ഡിറ്റക്ടർ ന്യൂറോൺ മോഡൽ പ്രവചിക്കുന്നത് ശബ്ദ തീവ്രത കുറയുമ്പോൾ, ഗ്രഹിക്കുന്ന ഉറവിടത്തിന്റെ ലാറ്ററലിറ്റി, നിശബ്ദവും ഉച്ചത്തിലുള്ളതുമായ ശബ്ദങ്ങളുടെ അനുപാതത്തിന് സമാനമായ ശരാശരി മൂല്യങ്ങളിലേക്ക് ഒത്തുചേരുമെന്നാണ് (1C).

അർദ്ധഗോള അസമമിതി മാതൃക സൂചിപ്പിക്കുന്നത്, ശബ്ദ തീവ്രത പരിധിക്ക് സമീപത്തേക്ക് കുറയുമ്പോൾ, മനസ്സിലാക്കപ്പെടുന്ന ലാറ്ററലിറ്റി മധ്യരേഖയിലേക്ക് മാറുമെന്നാണ് (1D).

ഉയർന്ന മൊത്തത്തിലുള്ള ശബ്ദ തീവ്രതയിൽ, ലാറ്ററലൈസേഷൻ തീവ്രത മാറ്റമില്ലാത്തതായിരിക്കുമെന്ന് പ്രതീക്ഷിക്കുന്നു (ഇൻസേർട്ട്സ് ഓൺ 1C и 1D).

അതിനാൽ, ശബ്ദ തീവ്രത ശബ്ദത്തിന്റെ ഗ്രഹിച്ച ദിശയെ എങ്ങനെ ബാധിക്കുന്നു എന്ന് വിശകലനം ചെയ്യുന്നത്, ആ നിമിഷം സംഭവിക്കുന്ന പ്രക്രിയകളുടെ സ്വഭാവം കൃത്യമായി നിർണ്ണയിക്കാൻ നമ്മെ അനുവദിക്കുന്നു - ഒരു പൊതു പ്രദേശത്തു നിന്നുള്ള ന്യൂറോണുകൾ അല്ലെങ്കിൽ വ്യത്യസ്ത അർദ്ധഗോളങ്ങളിൽ നിന്നുള്ള ന്യൂറോണുകൾ.

വ്യക്തമായും, ശബ്ദ തീവ്രതയെ ആശ്രയിച്ച് ഒരു വ്യക്തിയുടെ ITD-കളെ വേർതിരിച്ചറിയാനുള്ള കഴിവ് വ്യത്യാസപ്പെടാം. എന്നിരുന്നാലും, ITD സംവേദനക്ഷമതയെയും ശ്രോതാവ് ശബ്ദ സ്രോതസ്സിന്റെ ദിശയെക്കുറിച്ചുള്ള വിലയിരുത്തലിനെയും ശബ്ദ തീവ്രതയുടെ ഒരു പ്രവർത്തനമായി ബന്ധിപ്പിക്കുന്ന മുൻ കണ്ടെത്തലുകളെ വ്യാഖ്യാനിക്കുന്നത് ബുദ്ധിമുട്ടാണെന്ന് ശാസ്ത്രജ്ഞർ പറയുന്നു. ചില പഠനങ്ങൾ സൂചിപ്പിക്കുന്നത് ശബ്ദ തീവ്രത ഒരു പരിധിയിലേക്ക് അടുക്കുമ്പോൾ, ഉറവിടത്തിന്റെ ലാറ്ററലിറ്റി കുറയുന്നു എന്നാണ്. മറ്റ് പഠനങ്ങൾ സൂചിപ്പിക്കുന്നത് തീവ്രത ധാരണയെ ഒട്ടും ബാധിക്കുന്നില്ല എന്നാണ്.

മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, ITD, ശബ്ദ തീവ്രത, അതിന്റെ ഉറവിടത്തിന്റെ ദിശ നിർണ്ണയിക്കൽ എന്നിവ തമ്മിലുള്ള ബന്ധത്തെക്കുറിച്ചുള്ള വളരെ കുറച്ച് വിവരങ്ങൾ മാത്രമേ സാഹിത്യത്തിൽ അടങ്ങിയിട്ടുള്ളൂ എന്ന് ശാസ്ത്രജ്ഞർ "സൌമ്യമായി" സൂചന നൽകുന്നു. ശാസ്ത്ര സമൂഹം പൊതുവെ അംഗീകരിക്കുന്ന ഒരുതരം സിദ്ധാന്തങ്ങളായി നിലനിൽക്കുന്ന ചില സിദ്ധാന്തങ്ങളുണ്ട്. അതിനാൽ, ഓഡിറ്ററി പെർസെപ്ഷന്റെ എല്ലാ സിദ്ധാന്തങ്ങളും, മാതൃകകളും, സാധ്യമായ സംവിധാനങ്ങളും പ്രായോഗികമായി സമഗ്രമായി പരീക്ഷിക്കാൻ തീരുമാനിച്ചു.

ആദ്യത്തെ പരീക്ഷണം ഒരു സൈക്കോഫിസിക്കൽ മാതൃക ഉപയോഗിച്ചാണ് നടത്തിയത്, ഇത് സാധാരണയായി കേൾവിയുള്ള പത്ത് പങ്കാളികളുടെ ഒരു ഗ്രൂപ്പിൽ ശബ്ദ തീവ്രതയുടെ പ്രവർത്തനമായി ഐടിഡി അടിസ്ഥാനമാക്കിയുള്ള ലാറ്ററലൈസേഷൻ പഠിക്കാൻ ഞങ്ങളെ അനുവദിച്ചു.

ചിത്രം #2

മനുഷ്യർക്ക് ITD തിരിച്ചറിയാൻ കഴിയുന്ന മിക്ക ഫ്രീക്വൻസി ശ്രേണികളെയും ഉൾക്കൊള്ളുന്നതിനായി ശബ്ദ സ്രോതസ്സുകൾ പ്രത്യേകം ട്യൂൺ ചെയ്തിട്ടുണ്ട്, അതായത് 300 മുതൽ 1200 Hz വരെ (2).

ഓരോ പരീക്ഷണത്തിലും, 375 മുതൽ 375 എംഎസ് വരെയുള്ള ഐടിഡി മൂല്യങ്ങളുടെ പരിധിയിൽ, സെൻസേഷൻ ലെവലിന്റെ ഒരു ഫംഗ്ഷനായി അളക്കുന്ന, അവയുടെ കണക്കാക്കിയ ലാറ്ററലിറ്റി സൂചിപ്പിക്കാൻ ശ്രോതാവിനോട് ആവശ്യപ്പെട്ടു. ശബ്ദ തീവ്രതയുടെ പ്രഭാവം നിർണ്ണയിക്കാൻ, ഒരു നോൺ-ലീനിയർ മിക്സഡ്-ഇഫക്റ്റ്സ് മോഡൽ (NMLE) ഉപയോഗിച്ചു, അതിൽ സ്ഥിരവും ക്രമരഹിതവുമായ ശബ്ദ തീവ്രത ഉൾപ്പെടുന്നു.

ഗ്രാഫ് 2B ഒരു പ്രതിനിധി ശ്രോതാവിന് രണ്ട് ശബ്ദ തീവ്രതകളിൽ സ്പെക്ട്രലി ഫ്ലാറ്റ് നോയ്‌സുള്ള കണക്കാക്കിയ ലാറ്ററലൈസേഷൻ കാണിക്കുന്നു. ഒരു ഗ്രാഫ് 2C എല്ലാ ശ്രോതാക്കൾക്കും വേണ്ടി റോ ഡാറ്റ (സർക്കിളുകൾ), NMLE മോഡൽ-ഫിറ്റഡ് ഡാറ്റ (ലൈനുകൾ) എന്നിവ കാണിക്കുന്നു.

പട്ടിക നമ്പർ 1

മുകളിലുള്ള പട്ടിക എല്ലാ NLME പാരാമീറ്ററുകളും കാണിക്കുന്നു. പ്രതീക്ഷിച്ചതുപോലെ, ITD വർദ്ധിക്കുന്നതിനനുസരിച്ച്, ഗ്രഹിക്കപ്പെടുന്ന ലാറ്ററലിറ്റി വർദ്ധിച്ചുവെന്ന് വ്യക്തമാണ്. ശബ്ദ തീവ്രത കുറയുമ്പോൾ, ഗ്രഹണശേഷി മധ്യരേഖയിലേക്ക് (ഗ്രാഫിലെ ഇൻസെറ്റ്) കൂടുതൽ കൂടുതൽ മാറി. 2C).

ഈ പ്രവണതകളെ NLME മോഡൽ പിന്തുണച്ചു, ഇത് പരമാവധി ലാറ്ററലിറ്റിയിൽ ITD യുടെയും ശബ്ദ തീവ്രതയുടെയും ഗണ്യമായ ഫലങ്ങൾ കാണിച്ചു, ഇത് അർദ്ധഗോള വ്യത്യാസങ്ങളുടെ മാതൃകയെ പിന്തുണയ്ക്കുന്നു.

കൂടാതെ, ശരാശരി പ്യുവർ-ടോൺ ഓഡിയോമെട്രിക് പരിധികൾ ലാറ്ററലിറ്റിയിൽ നേരിയ സ്വാധീനം ചെലുത്തി. എന്നിരുന്നാലും, ശബ്ദ തീവ്രത സൈക്കോമെട്രിക് പ്രകടനത്തിൽ കാര്യമായ സ്വാധീനം ചെലുത്തിയില്ല.

രണ്ടാമത്തെ പരീക്ഷണത്തിന്റെ പ്രധാന ലക്ഷ്യം, ഉത്തേജകങ്ങളുടെ (ശബ്ദങ്ങൾ) സ്പെക്ട്രൽ ഗുണങ്ങൾ കണക്കിലെടുക്കുമ്പോൾ മുൻ പരീക്ഷണത്തിൽ ലഭിച്ച ഫലങ്ങൾ എങ്ങനെ മാറുമെന്ന് നിർണ്ണയിക്കുക എന്നതായിരുന്നു. കുറഞ്ഞ ശബ്ദ തീവ്രതയിൽ സ്പെക്ട്രലി ഫ്ലാറ്റ് നോയ്‌സ് പരീക്ഷിക്കേണ്ടതിന്റെ ആവശ്യകത, സ്പെക്ട്രത്തിന്റെ ചില ഭാഗങ്ങൾ കേൾക്കാൻ കഴിയാത്തതാകാം എന്ന വസ്തുതയാണ്, ഇത് ശബ്ദ ദിശ നിർണ്ണയിക്കുന്നതിനെ ബാധിച്ചേക്കാം. തൽഫലമായി, ശബ്ദ തീവ്രത കുറയുന്നതിനനുസരിച്ച് സ്പെക്ട്രത്തിന്റെ കേൾക്കാവുന്ന ഭാഗത്തിന്റെ വീതി കുറയുമെന്ന വസ്തുത ആദ്യ പരീക്ഷണത്തിന്റെ ഫലങ്ങളുമായി തെറ്റിദ്ധരിക്കപ്പെടാം.

അതിനാൽ, മറ്റൊരു പരീക്ഷണം നടത്താൻ തീരുമാനിച്ചു, എന്നാൽ ഇത്തവണ വിപരീതം ഉപയോഗിച്ചു. എ-വെയ്റ്റഡ്* ശബ്ദങ്ങൾ.

എ-വെയ്റ്റിംഗ്* മനുഷ്യ ചെവിക്ക് കുറഞ്ഞ ഫ്രീക്വൻസികളോട് സംവേദനക്ഷമത കുറവായതിനാൽ, അത് മനസ്സിലാക്കുന്ന ആപേക്ഷിക ഉച്ചത കണക്കാക്കാൻ ശബ്ദ നിലകളിൽ എ-വെയ്റ്റിംഗ് പ്രയോഗിക്കുന്നു. ഡിബിയിലെ അളന്ന ശബ്ദ സമ്മർദ്ദ നിലകളിലേക്ക് ഒക്ടേവ് ബാൻഡുകളിൽ പട്ടികപ്പെടുത്തിയിരിക്കുന്ന മൂല്യങ്ങളുടെ ഒരു പട്ടിക ഗണിതപരമായി ചേർത്താണ് എ-വെയ്റ്റിംഗ് നടപ്പിലാക്കുന്നത്.

ചാർട്ടിൽ 2D പരീക്ഷണത്തിൽ പങ്കെടുത്ത എല്ലാവരുടെയും അസംസ്കൃത ഡാറ്റ (സർക്കിളുകൾ), NMLE- ഘടിപ്പിച്ച ഡാറ്റ (ലൈനുകൾ) എന്നിവ കാണിച്ചിരിക്കുന്നു.

ഒരു ശബ്ദത്തിന്റെ എല്ലാ ഭാഗങ്ങളും ഏകദേശം തുല്യമായി കേൾക്കാൻ കഴിയുമ്പോൾ (ഒന്നാമത്തെയും രണ്ടാമത്തെയും പരീക്ഷണങ്ങളിൽ), ശബ്ദ തീവ്രത കുറയുന്നതിനനുസരിച്ച്, ITD യിൽ ലാറ്ററലിറ്റിയിലെ മാറ്റം വിശദീകരിക്കുന്ന ഗ്രാഫിന്റെ ലാറ്ററലിറ്റിയും ചരിവും കുറയുന്നുവെന്ന് ഡാറ്റ വിശകലനം കാണിച്ചു.

അങ്ങനെ, രണ്ടാമത്തെ പരീക്ഷണത്തിന്റെ ഫലങ്ങൾ ആദ്യത്തേതിന്റെ ഫലങ്ങൾ സ്ഥിരീകരിച്ചു. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, 1948 ൽ ജെഫ്രെസ് നിർദ്ദേശിച്ച മാതൃക തെറ്റാണെന്ന് കാണിച്ചു.

ശബ്ദ തീവ്രത കുറയുന്നതിനനുസരിച്ച് ശബ്ദ പ്രാദേശികവൽക്കരണം വഷളാകുന്നുവെന്ന് ഇത് മാറുന്നു, കൂടാതെ ശബ്ദങ്ങളുടെ തീവ്രത പരിഗണിക്കാതെ തന്നെ മനുഷ്യർ തുല്യമായി മനസ്സിലാക്കുകയും പ്രോസസ്സ് ചെയ്യുകയും ചെയ്യുന്നുവെന്ന് ജെഫ്രെസ് വിശ്വസിച്ചു.

പഠനത്തിന്റെ സൂക്ഷ്മതകളെക്കുറിച്ച് കൂടുതൽ വിശദമായി അറിയുന്നതിന്, ഞാൻ നോക്കാൻ ശുപാർശ ചെയ്യുന്നു ശാസ്ത്രജ്ഞർ റിപ്പോർട്ട് ചെയ്യുന്നു.

എപ്പിലോഗ്

സസ്തനികളുടെ തലച്ചോറിലെ ന്യൂറോണുകൾ ശബ്ദ സിഗ്നലിന്റെ ദിശയെ ആശ്രയിച്ച് വ്യത്യസ്ത നിരക്കുകളിൽ പ്രവർത്തിക്കുന്നുവെന്ന് സൈദ്ധാന്തിക അനുമാനങ്ങളും പ്രായോഗിക പരീക്ഷണങ്ങളും തെളിയിച്ചിട്ടുണ്ട്. തുടർന്ന് മസ്തിഷ്കം ഈ പ്രക്രിയയിൽ ഉൾപ്പെട്ടിരിക്കുന്ന എല്ലാ ന്യൂറോണുകളിലുമുള്ള ഈ നിരക്കുകളെ താരതമ്യം ചെയ്ത് ശ്രവണ പരിസ്ഥിതിയുടെ ഒരു ഭൂപടം ചലനാത്മകമായി നിർമ്മിക്കുന്നു.

ജെഫ്രെസ്സന്റെ മാതൃക 100% തെറ്റല്ല, കാരണം അത് കളപ്പുര മൂങ്ങകളിലെ ശബ്ദ സ്രോതസ്സുകളുടെ പ്രാദേശികവൽക്കരണത്തെ കൃത്യമായി വിവരിക്കുന്നു. അതെ, ശബ്ദ തീവ്രത കളപ്പുര മൂങ്ങകൾക്ക് പ്രശ്നമല്ല; അവ അതിന്റെ ഉറവിടം കണ്ടെത്തും. എന്നിരുന്നാലും, മുൻ പരീക്ഷണങ്ങൾ കാണിച്ചതുപോലെ, റീസസ് മക്കാക്കുകൾക്ക് ഈ മാതൃക പ്രവർത്തിക്കുന്നില്ല. അതിനാൽ, എല്ലാ ജീവജാലങ്ങൾക്കും വേണ്ടിയുള്ള ശബ്ദ പ്രാദേശികവൽക്കരണത്തെ ജെഫ്രെസ്സന്റെ മാതൃകയ്ക്ക് വിവരിക്കാൻ കഴിയില്ല.

മനുഷ്യർ ഉൾപ്പെട്ട പരീക്ഷണങ്ങൾ വ്യത്യസ്ത ജീവികളിൽ ശബ്ദ പ്രാദേശികവൽക്കരണം വ്യത്യാസപ്പെടുന്നുവെന്ന് കൂടുതൽ സ്ഥിരീകരിച്ചിട്ടുണ്ട്. ശബ്ദ തീവ്രത കുറവായതിനാൽ പല പങ്കാളികൾക്കും ശബ്ദ സിഗ്നലുകളുടെ ഉറവിടം കൃത്യമായി കണ്ടെത്താൻ കഴിഞ്ഞില്ല.

നമ്മൾ കാണുന്ന രീതിയും കേൾക്കുന്ന രീതിയും തമ്മിലുള്ള ചില സമാനതകൾ അവരുടെ ഗവേഷണം വെളിപ്പെടുത്തുന്നുവെന്ന് ശാസ്ത്രജ്ഞർ വിശ്വസിക്കുന്നു. രണ്ട് പ്രക്രിയകളിലും തലച്ചോറിന്റെ വിവിധ ഭാഗങ്ങളിലെ ന്യൂറോണുകളുടെ വേഗതയും, നമ്മൾ കാണുന്ന വസ്തുക്കളുടെ സ്ഥലപരമായ സ്ഥാനവും കേൾക്കുന്ന ശബ്ദങ്ങളുടെ ഉറവിടത്തിന്റെ സ്ഥാനവും നിർണ്ണയിക്കുന്നതിനുള്ള ഈ വ്യത്യാസത്തിന്റെ വിലയിരുത്തലും ഉൾപ്പെടുന്നു.

ഭാവിയിൽ, മനുഷ്യന്റെ കേൾവിയും കാഴ്ചയും തമ്മിലുള്ള ബന്ധം കൂടുതൽ വിശദമായി പരിശോധിക്കുന്നതിനായി ഗവേഷകർ ഒരു കൂട്ടം പരീക്ഷണങ്ങൾ നടത്താൻ പദ്ധതിയിടുന്നു, ഇത് നമ്മുടെ മസ്തിഷ്കം ചുറ്റുമുള്ള ലോകത്തിന്റെ ഒരു ഭൂപടം ചലനാത്മകമായി എങ്ങനെ നിർമ്മിക്കുന്നുവെന്ന് നന്നായി മനസ്സിലാക്കാൻ അവരെ അനുവദിക്കും.

നിങ്ങളുടെ ശ്രദ്ധയ്ക്ക് നന്ദി, ജിജ്ഞാസയോടെ തുടരുക, എല്ലാവർക്കും ഒരു മികച്ച ആഴ്ച! 🙂

ഞങ്ങളോടൊപ്പം താമസിച്ചതിന് നന്ദി. ഞങ്ങളുടെ ലേഖനങ്ങൾ നിങ്ങൾക്ക് ഇഷ്ടമാണോ? കൂടുതൽ രസകരമായ ഉള്ളടക്കം കാണാൻ ആഗ്രഹിക്കുന്നുണ്ടോ? ഒരു ഓർഡർ നൽകി അല്ലെങ്കിൽ സുഹൃത്തുക്കൾക്ക് ശുപാർശ ചെയ്തുകൊണ്ട് ഞങ്ങളെ പിന്തുണയ്ക്കുക, $4.99 മുതൽ ഡെവലപ്പർമാർക്കുള്ള ക്ലൗഡ് VPS, നിങ്ങൾക്കായി ഞങ്ങൾ കണ്ടുപിടിച്ച എൻട്രി ലെവൽ സെർവറുകളുടെ തനതായ അനലോഗിൽ Habr ഉപയോക്താക്കൾക്ക് 30% കിഴിവ്: VPS (KVM) E5-2650 v4 (6 കോറുകൾ) 10GB DDR4 240GB SSD 1Gbps-നെക്കുറിച്ചുള്ള മുഴുവൻ സത്യവും $20 മുതൽ അല്ലെങ്കിൽ എങ്ങനെ ഒരു സെർവർ പങ്കിടാം? (RAID1, RAID10 എന്നിവയ്‌ക്കൊപ്പം 24 കോറുകൾ വരെയും 40GB DDR4 വരെയും ലഭ്യമാണ്).

Dell R730xd 2 മടങ്ങ് വിലകുറഞ്ഞോ? ഇവിടെ മാത്രം 2 x Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 TV $199 മുതൽ നെതർലാൻഡിൽ! Dell R420 - 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB - $99 മുതൽ! കുറിച്ച് വായിക്കുക ഇൻഫ്രാസ്ട്രക്ചർ കോർപ്പറേഷൻ എങ്ങനെ നിർമ്മിക്കാം. ഒരു പൈസയ്ക്ക് 730 യൂറോ വിലയുള്ള Dell R5xd E2650-4 v9000 സെർവറുകൾ ഉപയോഗിക്കുന്ന ക്ലാസ്?

അവലംബം: www.habr.com