A cerebellar mechanism for learning prior distributions of time intervals.
A cerebellar mechanism for learning prior distributions of time intervals.
复制标题
DOI：
10.1038/s41467-017-02516-x
复制
发表时间：
2018-02-01
影响因子：
16.6
通讯作者：
Jazayeri M
中科院分区：
文献类型：
--
作者：
Narain D;Remington ED;Zeeuw CI;Jazayeri M
关于世界的统计学意义的知识对于认知和感觉运动功能是必不可少的。在时序领域，先验统计对于最佳预测、适应和规划至关重要。然而，神经系统在哪里以及如何编码时间统计数据尚不清楚。基于小脑学习的生理和解剖学证据，我们开发了一个计算模型，演示了小脑如何学习时间间隔的先验分布，并支持贝叶斯时间估计。该模型表明，在人类贝叶斯时间间隔估计中观察到的显著特征可以很容易地通过在小脑皮层中的学习和在小脑深核中的电路级计算来捕获。我们在两个小脑定时任务中测试人类行为，并发现与小脑模型预测一致的时间依赖性偏差。人类的计时行为偏向于以前遇到的时间间隔，并由贝叶斯模型预测。在这里，作者开发了一个基于小脑特性的计算模型，以展示我们如何根据先前的经验对时间估计进行编码。
Knowledge about the statistical regularities of the world is essential for cognitive and sensorimotor function. In the domain of timing, prior statistics are crucial for optimal prediction, adaptation and planning. Where and how the nervous system encodes temporal statistics is, however, not known. Based on physiological and anatomical evidence for cerebellar learning, we develop a computational model that demonstrates how the cerebellum could learn prior distributions of time intervals and support Bayesian temporal estimation. The model shows that salient features observed in human Bayesian time interval estimates can be readily captured by learning in the cerebellar cortex and circuit level computations in the cerebellar deep nuclei. We test human behavior in two cerebellar timing tasks and find prior-dependent biases in timing that are consistent with the predictions of the cerebellar model. Human timing behavior is biased towards previously encountered intervals and is predicted by Bayesian models. Here, the authors develop a computational model based in properties of the cerebellum to show how we might encode time estimates based on prior experience.
登录
查看更多内容
影响因子：
5.7
作者：
Brody CD;Hanks TD
通讯作者：
Hanks TD
影响因子：
4.3
作者：
Acerbi L;Wolpert DM;Vijayakumar S
通讯作者：
Vijayakumar S
影响因子：
64.8
作者：
Herzfeld DJ;Kojima Y;Soetedjo R;Shadmehr R
通讯作者：
Shadmehr R
影响因子：
5.3
作者：
Heiney, Shane A.;Kim, Jinsook;Medina, Javier F.
通讯作者：
Medina, Javier F.
影响因子：
1.9
作者：
FUJITA, M
通讯作者：
FUJITA, M