ध्वनी स्थानिकीकरण: मेंदू ध्वनी स्रोत कसे ओळखतो

आपल्या सभोवतालचे जग सर्व प्रकारच्या माहितीने भरलेले आहे ज्यावर आपला मेंदू सतत प्रक्रिया करतो. त्याला ही माहिती ज्ञानेंद्रियांद्वारे प्राप्त होते, त्यातील प्रत्येक सिग्नल त्याच्या वाट्यासाठी जबाबदार आहे: डोळे (दृष्टी), जीभ (चव), नाक (गंध), त्वचा (स्पर्श), वेस्टिब्युलर उपकरण (संतुलन, अंतराळातील स्थिती आणि भावना. वजन) आणि कान (ध्वनी). या सर्व अवयवांचे सिग्नल एकत्र करून, आपला मेंदू आपल्या वातावरणाचे अचूक चित्र तयार करू शकतो. परंतु बाह्य सिग्नलवर प्रक्रिया करण्याचे सर्व पैलू आपल्याला ज्ञात नाहीत. या रहस्यांपैकी एक म्हणजे ध्वनीच्या स्त्रोताचे स्थानिकीकरण करण्याची यंत्रणा.

न्यूरोइंजिनियरिंग ऑफ स्पीच अँड हिअरिंग (न्यू जर्सी इन्स्टिट्यूट ऑफ टेक्नॉलॉजी) च्या शास्त्रज्ञांनी ध्वनी स्थानिकीकरणाच्या तंत्रिका प्रक्रियेचे नवीन मॉडेल प्रस्तावित केले आहे. ध्वनीच्या आकलनादरम्यान मेंदूमध्ये नेमक्या कोणत्या प्रक्रिया होतात, आपला मेंदू ध्वनी स्रोताची स्थिती कशी समजून घेतो आणि हे संशोधन श्रवणदोषांविरुद्धच्या लढाईत कशी मदत करू शकते. संशोधन गटाच्या अहवालातून आपल्याला याची माहिती मिळते. जा.

संशोधनाचा आधार

आपल्या मेंदूला आपल्या संवेदनांमधून प्राप्त होणारी माहिती त्याच्या स्त्रोताच्या दृष्टीने आणि प्रक्रियेच्या दृष्टीने एकमेकांपासून भिन्न असते. काही सिग्नल आपल्या मेंदूला अचूक माहिती म्हणून लगेच दिसतात, तर काहींना अतिरिक्त संगणकीय प्रक्रियांची आवश्यकता असते. ढोबळपणे सांगायचे तर, आपल्याला लगेच स्पर्श जाणवतो, परंतु जेव्हा आपण आवाज ऐकतो तेव्हा आपल्याला तो कुठून येतो हे शोधायचे असते.

क्षैतिज विमानात ध्वनी स्थानिकीकरण करण्याचा आधार आहे अंतराळ* वेळेतील फरक (पासून आयटीडी अंतराळ वेळेत फरक) आवाज ऐकणाऱ्याच्या कानापर्यंत पोहोचतो.

इंटरऑरल बेस* - कानांमधील अंतर.

मेंदूमध्ये एक विशिष्ट क्षेत्र आहे (मध्यम सुपीरियर ऑलिव्ह किंवा एमएसओ) जे या प्रक्रियेसाठी जबाबदार आहे. MVO मध्ये ध्वनी सिग्नल प्राप्त होण्याच्या क्षणी, अंतराळातील फरक न्यूरॉन्सच्या प्रतिक्रिया दरात रूपांतरित केले जातात. ITD चे कार्य म्हणून MBO आउटपुट वेग वक्रांचा आकार प्रत्येक कानासाठी इनपुट सिग्नलच्या क्रॉस-कॉरिलेशन फंक्शनच्या आकारासारखा असतो.

MBO मध्ये माहितीची प्रक्रिया कशी केली जाते आणि त्याचा अर्थ कसा लावला जातो हे पूर्णपणे स्पष्ट नाही, म्हणूनच अनेक परस्परविरोधी सिद्धांत आहेत. ध्वनी स्थानिकीकरणाचा सर्वात प्रसिद्ध आणि वास्तविक शास्त्रीय सिद्धांत म्हणजे जेफ्रेस मॉडेल (लॉयड ए. जेफ्रेस). यावर आधारित आहे चिन्हांकित रेषा* डिटेक्टर न्यूरॉन्स जे प्रत्येक कानातील न्यूरल इनपुट्सच्या बायनॉरल सिंक्रोनीसाठी संवेदनशील असतात, प्रत्येक न्यूरॉन विशिष्ट प्रमाणात ITD साठी जास्तीत जास्त संवेदनशील असतो (1).

चिन्हांकित रेखा तत्त्व* हे एक गृहितक आहे जे स्पष्ट करते की वेगवेगळ्या मज्जातंतू, ज्या सर्व समान शारीरिक तत्त्वे त्यांच्या अक्षांसह आवेग प्रसारित करण्यासाठी वापरतात, वेगवेगळ्या संवेदना निर्माण करण्यास सक्षम आहेत. संरचनात्मकदृष्ट्या समान तंत्रिका मध्यवर्ती मज्जासंस्थेतील अद्वितीय न्यूरॉन्सशी जोडल्या गेल्यास भिन्न संवेदी धारणा निर्माण करू शकतात जे समान तंत्रिका सिग्नल वेगवेगळ्या प्रकारे डीकोड करण्यास सक्षम आहेत.

प्रतिमा #1

हे मॉडेल संगणकीयदृष्ट्या न्यूरल कोडिंगसारखेच आहे, दोन्ही कानापर्यंत पोहोचणाऱ्या आवाजांच्या अनियंत्रित क्रॉस-संबंधांवर आधारित.

एक मॉडेल देखील आहे जे सूचित करते की मेंदूच्या वेगवेगळ्या गोलार्धांमधील न्यूरॉन्सच्या विशिष्ट लोकसंख्येच्या प्रतिसादाच्या गतीतील फरकांवर आधारित ध्वनी स्थानिकीकरण मॉडेल केले जाऊ शकते, म्हणजे. इंटरहेमिसफेरिक असममितीचे मॉडेल (1B).

आत्तापर्यंत, दोन सिद्धांत (मॉडेल) पैकी कोणते बरोबर आहे हे निःसंदिग्धपणे सांगणे कठीण होते, कारण त्यातील प्रत्येक ध्वनी तीव्रतेवर ध्वनी स्थानिकीकरणाच्या भिन्न अवलंबनाचा अंदाज लावतो.

आम्ही आज पाहत असलेल्या अभ्यासात, संशोधकांनी ध्वनींची धारणा न्यूरल कोडिंगवर आधारित आहे की वैयक्तिक न्यूरल लोकसंख्येच्या प्रतिसादातील फरकांवर आधारित आहे हे समजून घेण्यासाठी दोन्ही मॉडेल्स एकत्र करण्याचा निर्णय घेतला. अनेक प्रयोग केले गेले ज्यात 18 ते 27 वर्षे वयोगटातील लोक (5 महिला आणि 7 पुरुष) सहभागी झाले. सहभागींची ऑडिओमेट्री (श्रवण तीक्ष्णतेचे मोजमाप) 25 आणि 250 Hz दरम्यान 8000 dB किंवा जास्त होती. प्रयोगातील सहभागींना ध्वनीरोधक खोलीत ठेवण्यात आले होते, ज्यामध्ये विशेष उपकरणे ठेवण्यात आली होती, उच्च अचूकतेसह कॅलिब्रेट केली गेली होती. सहभागींना, ध्वनी सिग्नल ऐकल्यावर, ते कोणत्या दिशेने आले आहे ते सूचित करावे लागेल.

संशोधन परिणाम

अवलंबित्व मूल्यांकन करण्यासाठी पार्श्वीकरण* लेबल केलेल्या न्यूरॉन्सच्या प्रतिसादात ध्वनी तीव्रतेपासून मेंदूची क्रिया, धान्याचे कोठार घुबडाच्या मेंदूच्या लॅमिनेर न्यूक्लियसमधील न्यूरॉन्सच्या प्रतिक्रिया गतीवरील डेटा वापरला गेला.

पार्श्वता* - शरीराच्या डाव्या आणि उजव्या अर्ध्या भागांची असममितता.

न्यूरॉन्सच्या विशिष्ट लोकसंख्येच्या प्रतिक्रियेच्या गतीवर मेंदूच्या क्रियाकलापांच्या पार्श्वीकरणाच्या अवलंबनाचे मूल्यांकन करण्यासाठी, रीसस माकड मेंदूच्या निकृष्ट कॉलिक्युलसच्या क्रियाकलापातील डेटा वापरला गेला, त्यानंतर वेगवेगळ्या गोलार्धांमधील न्यूरॉन्सच्या वेगातील फरक देखील मोजला गेला. .

डिटेक्टर न्यूरॉन्सचे चिन्हांकित रेखा मॉडेल असे भाकीत करते की जसजशी ध्वनी तीव्रता कमी होत जाईल, तसतसे समजलेल्या स्त्रोताची पार्श्वता मऊ ते मोठ्या आवाजाच्या गुणोत्तराप्रमाणेच मूल्यांमध्ये एकत्रित होईल (1ї).

गोलार्धातील विषमता मॉडेल असे सुचवते की ध्वनीची तीव्रता जवळच्या थ्रेशोल्ड पातळीपर्यंत कमी होत असताना, समजलेली पार्श्वता मध्यरेषेकडे सरकते (1D).

उच्च एकूण ध्वनीच्या तीव्रतेवर, पार्श्वीकरण तीव्रतेचे अपरिवर्तनीय असणे अपेक्षित आहे (इनसेट 1ї и 1D).

म्हणूनच, ध्वनी तीव्रता ध्वनीच्या समजलेल्या दिशेवर कसा परिणाम करते याचे विश्लेषण केल्याने आपल्याला त्या क्षणी होणार्‍या प्रक्रियेचे स्वरूप अचूकपणे निर्धारित करण्यास अनुमती मिळते - समान सामान्य क्षेत्रातील न्यूरॉन्स किंवा भिन्न गोलार्धांमधील न्यूरॉन्स.

स्पष्टपणे, एखाद्या व्यक्तीची ITD भेद करण्याची क्षमता आवाजाच्या तीव्रतेवर अवलंबून बदलू शकते. तथापि, शास्त्रज्ञांचे म्हणणे आहे की ध्वनीच्या तीव्रतेचे कार्य म्हणून आयटीडी आणि श्रोत्यांच्या ध्वनीच्या स्त्रोताच्या दिशेच्या संवेदनशीलतेला जोडणार्‍या मागील निष्कर्षांचा अर्थ लावणे कठीण आहे. काही अभ्यास सांगतात की जेव्हा ध्वनीची तीव्रता एका सीमारेषेपर्यंत पोहोचते तेव्हा स्त्रोताची समजलेली पार्श्वता कमी होते. इतर अभ्यास सूचित करतात की आकलनावर तीव्रतेचा कोणताही प्रभाव नाही.

दुसऱ्या शब्दांत, शास्त्रज्ञ "हळुवारपणे" इशारा देत आहेत की ITD, ध्वनी तीव्रता आणि त्याच्या स्रोताची दिशा ठरवण्यासंबंधी साहित्यात फारशी माहिती नाही. असे सिद्धांत आहेत जे एक प्रकारचे स्वयंसिद्ध म्हणून अस्तित्वात आहेत, सामान्यत: वैज्ञानिक समुदायाद्वारे स्वीकारले जातात. म्हणून, सर्व सिद्धांत, मॉडेल्स आणि व्यवहारात ऐकण्याच्या आकलनाच्या संभाव्य यंत्रणेची तपशीलवार चाचणी करण्याचा निर्णय घेण्यात आला.

पहिला प्रयोग सायकोफिजिकल पॅराडाइमवर आधारित होता ज्याने दहा सामान्य श्रवण सहभागींच्या गटामध्ये आवाजाच्या तीव्रतेचे कार्य म्हणून ITD-आधारित पार्श्वीकरणाचा अभ्यास करण्यास अनुमती दिली.

प्रतिमा #2

ध्वनी स्रोत विशेषत: बहुतेक वारंवारता श्रेणी कव्हर करण्यासाठी ट्यून केले गेले होते ज्यामध्ये मानव आयटीडी शोधू शकतात, उदा. 300 ते 1200 Hz पर्यंत (2).

प्रत्येक चाचणीवर, श्रोत्याला 375 ते 375 ms पर्यंतच्या आयटीडी मूल्यांच्या श्रेणीवर, संवेदना पातळीचे कार्य म्हणून मोजले जाणारे पार्श्वत्व सूचित करावे लागेल. ध्वनी तीव्रतेचा प्रभाव निर्धारित करण्यासाठी, एक नॉनलाइनर मिश्रित प्रभाव मॉडेल (NMLE) वापरले गेले ज्यामध्ये स्थिर आणि यादृच्छिक आवाज तीव्रता दोन्ही समाविष्ट आहे.

आलेख 2B प्रातिनिधिक श्रोत्यासाठी दोन ध्वनी तीव्रतेवर स्पेक्ट्रली सपाट आवाजासह अंदाजे पार्श्वीकरण प्रदर्शित करते. आणि वेळापत्रक 2ї सर्व श्रोत्यांचा कच्चा डेटा (मंडळे) आणि फिट केलेले NMLE मॉडेल (रेषा) दाखवते.

तक्ता क्रमांक १

वरील सारणी सर्व NLME पॅरामीटर्स दाखवते. शास्त्रज्ञांच्या अपेक्षेप्रमाणे, वाढत्या ITD सह समजलेली पार्श्वता वाढलेली दिसून येते. ध्वनीची तीव्रता जसजशी कमी होत गेली तसतसे समज अधिकाधिक मध्यरेषेकडे सरकत गेले (ग्राफमध्ये इनसेट 2C).

हे ट्रेंड NLME मॉडेलद्वारे समर्थित होते, ज्याने आंतर-हेमिस्फेरिक फरकांच्या मॉडेलला समर्थन देत, जास्तीत जास्त पार्श्वत्वावर ITD आणि आवाज तीव्रतेचा महत्त्वपूर्ण प्रभाव दर्शविला.

याव्यतिरिक्त, शुद्ध टोनसाठी सरासरी ऑडिओमेट्रिक थ्रेशोल्डचा समजल्या जाणार्‍या पार्श्वत्वावर फारसा प्रभाव पडला नाही. परंतु आवाजाच्या तीव्रतेचा सायकोमेट्रिक फंक्शन्सच्या निर्देशकांवर लक्षणीय परिणाम झाला नाही.

दुस-या प्रयोगाचे मुख्य उद्दिष्ट हे निर्धारित करणे होते की मागील प्रयोगात प्राप्त झालेले परिणाम उत्तेजक (ध्वनी) ची वर्णक्रमीय वैशिष्ट्ये लक्षात घेऊन कसे बदलतील. कमी ध्वनीच्या तीव्रतेवर स्पेक्ट्रली सपाट आवाजाची चाचणी घेण्याची गरज म्हणजे स्पेक्ट्रमचे काही भाग ऐकू येत नाहीत आणि यामुळे आवाजाच्या दिशेच्या निर्धारणावर परिणाम होऊ शकतो. परिणामी, पहिल्या प्रयोगाचे परिणाम चुकून चुकले जाऊ शकतात की स्पेक्ट्रमच्या ऐकू येण्याजोग्या भागाची रुंदी कमी होत असलेल्या आवाजाच्या तीव्रतेसह कमी होऊ शकते.

म्हणून, दुसरा प्रयोग करण्याचा निर्णय घेण्यात आला, परंतु उलट वापरून ए-वेटेड* आवाज

ए-वजन* मानवी कानाला जाणवणारा सापेक्ष मोठा आवाज विचारात घेण्यासाठी ध्वनीच्या पातळीवर लागू केले जाते, कारण कान कमी आवाजाच्या फ्रिक्वेन्सीला कमी संवेदनशील असतो. dB मधील मोजलेल्या ध्वनी दाब पातळीमध्ये ऑक्टेव्ह बँडमध्ये सूचीबद्ध केलेल्या मूल्यांची सारणी अंकगणितीयपणे जोडून ए-वेटिंग लागू केले जाते.

चार्ट वर 2D प्रयोगातील सर्व सहभागींचा कच्चा डेटा (वर्तुळे) आणि NMLE मॉडेल-फिट केलेला डेटा (लाइन) दर्शवितो.

डेटाच्या विश्लेषणातून असे दिसून आले की जेव्हा ध्वनीचे सर्व भाग अंदाजे समान श्रवणीय असतात (पहिल्या आणि दुसऱ्या चाचणीत दोन्ही), तेव्हा जाणवलेले पार्श्वत्व आणि आलेखामधील उतार ध्वनीच्या तीव्रतेसह ITD कमी होण्याबरोबर पार्श्वत्वातील बदल स्पष्ट करतात.

अशा प्रकारे, दुसऱ्या प्रयोगाच्या परिणामांनी पहिल्याच्या परिणामांची पुष्टी केली. म्हणजेच, व्यवहारात असे दिसून आले आहे की जेफ्रेसने 1948 मध्ये परत प्रस्तावित केलेले मॉडेल योग्य नाही.

असे दिसून आले की आवाजाची तीव्रता कमी झाल्यामुळे ध्वनी स्थानिकीकरण बिघडते आणि जेफ्रेसचा असा विश्वास होता की ध्वनी त्यांची तीव्रता विचारात न घेता त्याच प्रकारे मानवाकडून समजले जातात आणि त्यावर प्रक्रिया केली जाते.

अभ्यासाच्या बारकाव्यांबद्दल अधिक तपशीलवार परिचित होण्यासाठी, मी पहाण्याची शिफारस करतो शास्त्रज्ञांनी अहवाल दिला.

एपिलोग

सैद्धांतिक गृहीतके आणि त्यांची पुष्टी करणार्‍या व्यावहारिक प्रयोगांवरून असे दिसून आले आहे की सस्तन प्राण्यांमधील मेंदूतील न्यूरॉन्स ध्वनी सिग्नलच्या दिशेनुसार वेगवेगळ्या दरांनी सक्रिय होतात. नंतर मेंदू या गतीची तुलना प्रक्रियेत सामील असलेल्या सर्व न्यूरॉन्समध्ये गतीशीलपणे आवाज वातावरणाचा नकाशा तयार करण्यासाठी करतो.

जेफ्रेसनचे मॉडेल 100% चुकीचे नाही, कारण ते खळ्यातील घुबडातील ध्वनीच्या स्त्रोताचे अचूक वर्णन करण्यासाठी वापरले जाऊ शकते. होय, धान्याचे कोठार घुबडांसाठी आवाजाची तीव्रता काही फरक पडत नाही; कोणत्याही परिस्थितीत, ते त्याच्या स्त्रोताची स्थिती निश्चित करतील. तथापि, हे मॉडेल रीसस माकडांसह कार्य करत नाही, जसे मागील प्रयोगांनी दर्शविले आहे. म्हणून, हे जेफ्रेसन मॉडेल सर्व सजीवांच्या आवाजाच्या स्थानिकीकरणाचे वर्णन करू शकत नाही.

मानवी सहभागींच्या प्रयोगांनी पुन्हा एकदा पुष्टी केली आहे की वेगवेगळ्या जीवांमध्ये ध्वनी स्थानिकीकरण वेगळ्या प्रकारे होते. ध्वनींच्या कमी तीव्रतेमुळे अनेक सहभागी ध्वनी सिग्नलच्या स्त्रोताची स्थिती योग्यरित्या निर्धारित करण्यात अक्षम होते.

शास्त्रज्ञांचा असा विश्वास आहे की त्यांचे कार्य आपण कसे पाहतो आणि कसे ऐकतो यामधील काही समानता दर्शविते. दोन्ही प्रक्रिया मेंदूच्या वेगवेगळ्या भागांतील न्यूरॉन्सच्या गतीशी संबंधित आहेत, तसेच अंतराळात आपण पाहत असलेल्या वस्तूंची स्थिती आणि आपण ऐकत असलेल्या ध्वनी स्रोताची स्थिती या दोन्हीचे निर्धारण करण्यासाठी या फरकाच्या मूल्यांकनाशी संबंधित आहेत.

भविष्यात, संशोधक मानवी श्रवण आणि दृष्टी यांच्यातील संबंध अधिक तपशीलवार तपासण्यासाठी प्रयोगांची मालिका आयोजित करणार आहेत, ज्यामुळे आपला मेंदू आपल्या सभोवतालच्या जगाचा नकाशा गतिशीलपणे कसा तयार करतो हे आपल्याला अधिक चांगल्या प्रकारे समजून घेण्यास अनुमती देईल.

तुमचे लक्ष दिल्याबद्दल धन्यवाद, उत्सुक रहा आणि प्रत्येकाचा आठवडा चांगला जावो! 🙂

आमच्यासोबत राहिल्याबद्दल धन्यवाद. तुम्हाला आमचे लेख आवडतात का? अधिक मनोरंजक सामग्री पाहू इच्छिता? ऑर्डर देऊन किंवा मित्रांना शिफारस करून आम्हाला समर्थन द्या, $4.99 पासून विकसकांसाठी क्लाउड VPS, एंट्री-लेव्हल सर्व्हरच्या अनन्य अॅनालॉगवर Habr वापरकर्त्यांसाठी 30% सवलत, ज्याचा शोध आम्ही तुमच्यासाठी लावला आहे: VPS (KVM) E5-2650 v4 (6 Cores) 10GB DDR4 240GB SSD 1Gbps बद्दल संपूर्ण सत्य $20 पासून किंवा सर्व्हर कसा शेअर करायचा? (RAID1 आणि RAID10 सह उपलब्ध, 24 कोर पर्यंत आणि 40GB DDR4 पर्यंत).

Dell R730xd 2 पट स्वस्त? फक्त इथेच 2 x इंटेल टेट्राडेका-कोर Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 टीव्ही $199 पासून नेदरलँड मध्ये! Dell R420 - 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB - $99 पासून! बद्दल वाचा इन्फ्रास्ट्रक्चर कॉर्पोरेशन कसे तयार करावे. डेल R730xd E5-2650 v4 सर्व्हरचा वापर करून 9000 युरो किमतीचा वर्ग?

स्त्रोत: www.habr.com