From Speech Semantics to Brain Activity—Timescales Are Key in Their Information Transfer
Notice bibliographique
Résumé
Fluctuating timescales are present in nature and are commonly observed in music, movies, brain activity, and speech. In human speech, semantic timescales span from single words to complete sentences and vary throughout conversation. Similarly, the brain's intrinsic neuronal timescales (INT), reflected in temporally correlated activity, carry information across time. How are these semantic and neuronal timescales related? Our combined semantic input and functional magnetic resonance imaging (fMRI) study using the 7 Tesla Human Connectome Project movie-watching dataset reveals information transfer from speech's semantic timescales to the brain's INT. We extracted two semantic time-series, sentence similarity and word depth, using Sentence-BERT (SBERT) and WordNet, respectively. The timescales of both semantic signals and the brain's activity were quantified using the autocorrelation window (ACW), with a dynamic, time-varying analysis approach. This allows testing for information transfer from the simultaneously varying semantic timescales to the brain's varying timescales via Transfer Entropy (TE). We report three main findings: (1) Sentence similarity and word depth time-series exhibit high and systematic fluctuations over time. (2) Dynamic ACW analysis captures the dominant timescales in both semantic input (sentence similarity and word depth) and the brain's continuously varying INT. (3) Significant TE from the varying semantic timescales to the brain's simultaneously varying INT. We also demonstrate that the information transfer only emerges on the level of timescales, and is absent when comparing the two raw semantic input time-series with the BOLD signal, respectively. Conclusively, we demonstrate the key role of timescales in the information transfer from semantic inputs to the brain's neural activity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».