Bayesian accounts of perception, in particular predictive coding models, argue perception results from the integration of 'top-down' signals coding the predicted state of the world with 'bottom-up' information derived from the senses. This integration is biased towards predictions or sensory evidence according to their relative precision. Recent theoretical accounts of autism suggest that several characteristics of the condition could result from atypically imprecise top-down, or atypically precise bottom-up, signals, leading to a bias towards sensory evidence. Whether the integration of these signals is intact in autism, however, has not been tested. Here, we used hierarchical frequency tagging, an EEG paradigm that allows the independent tagging of top-down and bottom-up signals as well as their integration, to assess the relationship between autistic traits and these signals in 25 human participants (13 females, 12 males). We show that autistic traits were selectively associated with atypical precision-weighted integration of top-down and bottom-up signals. Low levels of autistic traits were associated with the expected increase in the integration of top-down and bottom-up signals with increasing predictability, while this effect decreased as the degree of autistic traits increased. These results suggest that autistic traits are linked to atypical precision-weighted integration of top-down and bottom-up neural signals and provide additional evidence for a link between atypical hierarchical neural processing and autistic traits.

中文翻译：

---

自闭特征与自上而下和自下而上的神经信号的非典型精确加权积分相关。

贝叶斯对感知的描述，特别是预测编码模型，认为感知是由编码自上而下的世界信号的“自上而下”信号与源自感官的“自下而上”信息相结合的结果。根据它们的相对精度，这种整合偏向于预测或感官证据。最近对自闭症的理论解释表明，自上而下的非典型信号或自下而上的非典型精确信号可能导致该病的几个特征，导致对感觉证据的偏见。这些信号的整合在自闭症中是否完好无损，但是尚未得到验证。在这里，我们使用了分层频率标记，这是一种EEG范式，它允许对自上而下和自下而上的信号以及它们的集成进行独立的标记，评估25位人类参与者（13位女性，12位男性）中自闭症特征与这些信号之间的关系。我们表明，自闭性特征与自上而下和自下而上的信号的非典型精确加权积分有选择地关联。低水平的自闭症特征与自上而下和自下而上的信号的整合的预期增加以及可预测性的增加有关，而随着自闭症特征程度的增加，这种影响降低。这些结果表明，自闭特征与自上而下和自下而上的神经信号的非典型精确加权积分相关，并为非典型分层神经处理与自闭特征之间的联系提供了额外的证据。我们表明，自闭性特征与自上而下和自下而上的信号的非典型精确加权积分有选择地关联。低水平的自闭症特征与自上而下和自下而上的信号的整合的预期增加以及可预测性的增加有关，而随着自闭症特征程度的增加，这种影响降低。这些结果表明，自闭特征与自上而下和自下而上的神经信号的非典型精确加权积分相关，并为非典型分层神经处理与自闭特征之间的联系提供了额外的证据。我们表明，自闭性特征与自上而下和自下而上的信号的非典型精确加权积分有选择地关联。低水平的自闭症特征与自上而下和自下而上的信号的整合的预期增加以及可预测性的增加有关，而随着自闭症特征程度的增加，这种影响降低。这些结果表明，自闭特征与自上而下和自下而上的神经信号的非典型精确加权积分相关，并为非典型分层神经处理与自闭特征之间的联系提供了额外的证据。低水平的自闭症特征与自上而下和自下而上的信号的整合的预期增加以及可预测性的增加有关，而随着自闭症特征程度的增加，这种影响降低。这些结果表明，自闭特征与自上而下和自下而上的神经信号的非典型精确加权积分相关，并为非典型分层神经处理与自闭特征之间的联系提供了额外的证据。低水平的自闭症特征与自上而下和自下而上的信号的整合的预期增加以及可预测性的增加有关，而随着自闭症特征程度的增加，这种影响降低。这些结果表明，自闭特征与自上而下和自下而上的神经信号的非典型精确加权积分相关，并为非典型分层神经处理与自闭特征之间的联系提供了额外的证据。