随机共振耳鸣模型十年综述。从幻听感知到适应性感官优化的神经计算理论,整合信息论、适应性信号检测、多通道听觉处理和跨模态可塑性。
Scanned 9/11/2026
Install to Claude Code
npx -y skills add hiyenwong/ai_collection --skill stochastic-resonance-tinnitus-review --agent claude-codeInstalls into .claude/skills of the current project.
Are you the author of Stochastic Resonance Tinnitus Review?
Add the live security badge to your README — it updates automatically with every re-scan.
[](https://www.skillsdirectory.com/skills/hiyenwong-stochastic-resonance-tinnitus-review)More formats (shields.io, HTML) on the badges page.
---
name: stochastic-resonance-tinnitus-review
description: 随机共振耳鸣模型十年综述。从幻听感知到适应性感官优化的神经计算理论,整合信息论、适应性信号检测、多通道听觉处理和跨模态可塑性。
arxiv_id: 2606.17736
authors: Patrick Krauss, Achim Schilling
published: 2026-06-16
categories: q-bio.NC
---
# Ten Years of the Stochastic Resonance Model of Tinnitus
## 概述
主观性耳鸣——无外界声刺激下的声音感知——是听觉神经科学最具争议的现象之一。本文综述2016年提出的随机共振(SR)模型,将耳鸣相关神经过度活跃重新定义为听力损失后的适应性神经噪声上调,耳鸣作为适应性感官优化的副作用。
## 核心理论框架
### 1. 传统vs.新观点对比
| 传统观点 | SR模型新观点 |
|----------|--------------|
| 神经过度活跃 = 病理 dysfunction | 神经噪声上调 = 适应性机制 |
| 需要抑制过度活跃 | 需要优化噪声水平 |
| 关注病理治疗 | 关注信息优化原则 |
### 2. 随机共振机制
- **定义**: 内部噪声增强传感器阈值附近信号检测
- **生物学实现**: 听力损失后神经噪声上调
- **耳鸣起源**: 适应性优化的副作用
### 3. 信息论基础
```
SNR(ξ) = μ/(σ_ξ) # 信噪比
I(ξ) = f(SNR) # 信息传输率
最优噪声水平: ξ_opt where dI/dξ = 0
```
### 4. 多通道扩展
- **频率特异性幻听**: 不同通道独立SR优化
- **跨模态可塑性**: 视觉/触觉通道参与补偿
- **中枢增益调控**: 皮层增益与SR协同
## 理论发展历程
### Phase 1 (2016): 现象学假设
- 提出SR作为耳鸣神经过度活跃的替代解释
- 核心假设:噪声上调恢复信息传输
### Phase 2 (2018-2020): 计算建模
- 信息论建模验证预测
- 多通道听觉处理扩展
- 计算模型仿真
### Phase 3 (2021-2023): 实验验证
- 动物实验支持关键预测
- 大规模临床数据分析
- 频谱匹配近阈值噪声刺激疗法
### Phase 4 (2024-2026): 统一框架
- 整合SR + 中枢增益 + 稳态可塑性 + 预测编码
- 神经计算统一理论
## 关键预测与验证
### 1. 可检测性增强
- 特定噪声条件下检测能力提升
- 动物实验证实阈值附近行为改善
### 2. 频率特异性
- 听力损失频段对应耳鸣频率
- 临床数据支持频率匹配
### 3. 跨模态可塑性
- 视觉/触觉输入影响耳鸣感知
- 多模态交互实验验证
## 临床应用
### 频谱匹配近阈值噪声刺激
```python
# Step 1: 听力评估
audiogram = assess_hearing_loss()
# Step 2: 识别耳鸣频率
tinnitus_freq = identify_tinnitus_frequency()
# Step 3: 计算匹配噪声频谱
noise_spectrum = generate_matched_noise(
audiogram,
tinnitus_freq,
amplitude='near_threshold' # 近阈值强度
)
# Step 4: 持续刺激
apply_stimulation(noise_spectrum, duration=6h)
```
## 理论整合框架
### 统一模型 = SR + Central Gain + Homeostatic Plasticity + Predictive Coding
1. **SR层**: 噪声上调增强信号检测
2. **增益层**: 皮层增益放大残差信号
3. **稳态层**: 稳态可塑性维持活动水平
4. **预测层**: 预测编码形成幻听感知
## 未来研究方向
### 1. 机制验证
- 神经环路特异性定位
- 噪声源细胞类型鉴定
- 时间尺度动力学分析
### 2. 临床转化
- 个性化噪声频谱设计
- 神经反馈结合SR原理
- AI辅助参数优化
### 3. 跨模态扩展
- 视觉耳鸣SR模型
- 触觉幻影现象统一框架
- 多感官整合原则
## 理论意义
### 神经系统信息优化范式
- 将病理现象重新理解为适应性机制
- 信息传输优化作为核心计算原则
- 从功能障碍转向计算优化
### 启发AI设计
- 噪声注入策略
- 自适应增益控制
- 预测编码架构
## 相关技能
- [[stochastic-resonance-tinnitus-adaptive-optimization]]
- [[noise-enhanced-quantum-kernels]]
- [[predictive-coding-exponential-family]]
- [[auditory-neuroscience-platform]]
## 参考文献
Krauss P, Schilling A. (2026) "Ten Years of the Stochastic Resonance Model of Tinnitus: From Phantom Perception to Adaptive Sensory Optimization" arXiv:2606.17736
## Activation
随机共振, 耳鸣模型, 听觉神经科学, 适应性感官优化, 信息论, 神经噪声, 频谱匹配刺激, 跨模态可塑性, 预测编码, 幻听感知, 神经计算理论Is this your skill, or is something wrong with this listing? Request removal or report an issue. Author removals are honored within 72 hours.
No comments yet. Be the first to comment!