神经科学领域长期以来面临着如何解析生物运动感知背后的神经过程这一挑战。生物运动感知是指人类通过观察他人身体的运动模式来识别其意图、情绪和行为的能力，这种能力在社会认知和动作识别中起着至关重要的作用。为了应对这一挑战，本文提出了一种名为BioMotion-SNN的脉冲神经网络（SNN）框架，该框架受到MT-MST神经通路的启发，旨在模拟这些大脑区域之间的动态交互。BioMotion-SNN不仅在结构上借鉴了生物神经系统的特性，还通过整合对比自监督学习与L1范数为基础的突触剪枝技术，进一步提升了模型的表达能力和学习效率。
生物运动感知在人类的社交互动中具有重要意义。研究表明，大脑中的MT区（middle temporal area）主要负责检测基础的运动属性，如运动方向和速度，而MST区（medial superior temporal area）则在更复杂的运动感知中起到关键作用。这两个区域不仅对实际的运动有反应，还能够对静态图像中暗示的运动做出响应，这表明它们在生物运动感知中扮演着不可或缺的角色。然而，传统的神经网络方法在模拟这些神经区域的动态交互方面存在一定的局限性，通常依赖于静态数据集和预定义标签，难以准确反映生物神经系统的复杂性与时间依赖性。
相比之下，脉冲神经网络（SNN）提供了一种更为贴近生物神经机制的建模方式。SNN通过模拟神经元之间的脉冲信号传递，能够更好地捕捉神经活动的时间动态特征。这种特性使得SNN在处理稀疏、事件驱动的输入信号时具有更高的效率，尤其适用于需要识别时空模式的任务，如生物运动感知。近年来，SNN在结构设计和功能优化方面取得了显著进展，例如引入注意力机制和多感官整合模型，这些技术有效提升了SNN在运动检测和实时视觉感知任务中的表现。然而，尽管这些模型在一定程度上模拟了神经系统的功能，但它们往往缺乏对真实神经数据的验证，导致其在实际应用中存在一定的偏差。
为了解决这一问题，本文提出BioMotion-SNN框架，其核心在于使用真实电生理数据来验证模型的生物合理性。该框架不仅在结构上模仿了MT-MST通路的神经机制，还通过事件驱动的处理方式，使得模型能够更准确地模拟生物神经系统的动态特性。通过整合对比自监督学习与L1范数为基础的突触剪枝技术，BioMotion-SNN能够在没有标注数据的情况下，自主学习并提取运动感知的关键特征，从而提升模型的泛化能力与学习效率。此外，突触剪枝技术还模仿了生物神经网络中稀疏连接的特性，有助于减少冗余的神经连接，优化网络性能。
在数据处理方面，BioMotion-SNN利用了真实电生理数据，并结合了数据增强技术，以减少对实验动物的依赖，同时丰富数据集的多样性。这种方法不仅降低了实验成本，还增强了模型对生物运动模式的识别能力。通过这种方式，BioMotion-SNN为实验神经科学与计算建模之间搭建了一座桥梁，使得研究人员能够更深入地探索生物运动感知的机制，并为相关领域的研究提供新的思路和方法。
在实验验证方面，BioMotion-SNN的性能得到了充分的评估。模型在分类任务中达到了93%的准确率，表明其在捕捉复杂运动模式方面具有显著的优势。此外，通过对比监督学习与自监督学习方法，研究者发现自监督学习在提取运动特征方面更加高效，且能够在没有大量标注数据的情况下实现较高的识别精度。这些结果不仅验证了BioMotion-SNN的有效性，还为未来在运动感知领域的研究提供了重要的参考。
本研究的主要贡献包括：首先，提出了一个基于MT-MST通路的SNN框架，能够有效模拟生物运动感知的神经机制；其次，通过整合对比自监督学习与L1范数为基础的突触剪枝技术，提升了模型的表达能力和学习效率；最后，通过使用真实电生理数据并结合数据增强方法，减少了对实验动物的依赖，增强了数据集的多样性，从而为实验神经科学与计算建模的结合提供了新的途径。这些成果不仅有助于理解生物运动感知的神经基础，还为未来在人工智能和神经科学交叉领域的研究奠定了坚实的基础。
在方法学上，BioMotion-SNN的构建过程涉及多个关键步骤。首先，研究人员收集并处理了真实电生理数据，这些数据来源于对动物或人类运动感知相关神经区域的实验记录。通过数据增强技术，研究者对原始数据进行了适当的变换，以扩展数据集的范围并提高模型的泛化能力。接下来，构建了基于MT-MST通路的SNN架构，其中MT层模拟了基础运动属性的检测过程，而MST层则负责对这些信号进行进一步的处理和整合，以实现更复杂的运动感知。此外，模型还引入了对比自监督学习机制，该机制通过比较不同运动模式之间的差异，帮助模型自主学习运动特征，而无需依赖外部标注数据。
在模型优化方面，研究人员采用了L1范数为基础的突触剪枝技术，以减少冗余的神经连接，提升模型的效率和性能。这一过程类似于生物神经系统中突触的动态调整，使得模型能够更好地适应不同的运动模式，并在保持较高准确率的同时降低计算成本。通过这些技术的结合，BioMotion-SNN不仅在结构上更接近生物神经网络，还在功能上实现了对复杂运动特征的有效提取和识别。
在实验部分，研究者对BioMotion-SNN进行了多方面的测试和评估。首先，他们比较了监督学习与自监督学习在运动感知任务中的表现，发现自监督学习在没有标注数据的情况下依然能够取得较高的分类准确率。其次，他们通过消融实验分析了不同模块对模型性能的影响，进一步验证了模型各部分的有效性。此外，研究者还对模型的参数进行了详细的分析，以确定最佳的配置方案。这些实验结果不仅展示了BioMotion-SNN的优越性能，还为未来在该领域的研究提供了重要的数据支持。
在讨论部分，研究者强调了BioMotion-SNN在连接实验神经科学与计算建模方面的重要意义。他们指出，该框架不仅能够模拟生物神经系统的动态特性，还能够通过自监督学习机制实现对运动特征的自主提取，从而减少对标注数据的依赖。同时，模型的高效性和低计算成本也使其在实际应用中具有较大的潜力，特别是在需要实时处理和低能耗的场景下。此外，研究者还展望了BioMotion-SNN的未来发展方向，包括进一步优化模型的结构、探索更多生物启发机制以及将其应用于更广泛的运动感知任务中。
综上所述，BioMotion-SNN的提出标志着神经科学与人工智能领域的一个重要进展。该框架不仅在结构上更贴近生物神经系统，还在功能上实现了对复杂运动模式的有效识别。通过整合对比自监督学习与突触剪枝技术，BioMotion-SNN在保持较高准确率的同时，提升了模型的效率和生物合理性。此外，其对真实电生理数据的利用也使得模型更具实验验证的基础，为未来在生物运动感知领域的研究提供了新的思路和方法。这一研究不仅有助于深入理解人类如何感知和处理生物运动，还为开发更加高效和智能的计算模型提供了重要的理论支持和技术基础。
