神经元的编码
-
动作电位的发现：Hodgkin and Huxley(枪乌贼：轴突1mm)——1963年诺奖
-
为什么神经信号的传递不能反过来(树突——轴突)——不应期；但单独刺激轴突可以双向传播，其不受不应期(一个spike后隔多少时间后发放下一个spike)的影响。
-
神经科学对AI是否有用？ 卷积神经网络——视野；深度学习——视觉系统V1-V4-IT；强化学习——心理学；BP算法——反向传播的概念，不依托于神经科学？
-
神经冲动：一个spike大概1-2ms，不同神经元所发放的频率不同(不规则比规则=9:1)
- spike的不规则发放(大部分）
- spike的规则发放（较少）
-
编码：
- 刺激强度编码——呈简单的线性(Log)关系
- 刺激强度与神经冲动频率呈现非线性关系(胞外的记录)——S=k logI(Weber-Fechner定律)
- Varibility——同样的外界刺激，神经元spike的发放是不可预测的。Variance与Spike的数量即刺激强度呈正相关。
- 视觉系统（串行并行的信息处理模式——不可通过单一的还原论来实现研究）：V1(Hubel and Wiesel)——朝向细胞(丘脑的前馈模型)与调谐曲线(存在宽的带宽)的发现 + “功能柱”(方向+颜色+眼优势)
- 运动系统：动作产生之前的意念(事件相关电位)——操作机械手——脑机接口
- 脸部的编码：Desimone,1984——人脸识别
- 主流方式
- 稀疏编码
- Temporal coding(振荡的场电位+信息捆绑【共振】) and rate coding
- 自下而上 vs 自上而下(丘脑——信息的中转站；意识的产生——源认知；增强同心圆感受野拮抗的信号编码方式；预测编码——视觉系统可预测自然界中事物的连续性，不符合连续性时，神经元发放【警觉的产生，修正下游神经元的编码方式】)
神经元的解码——认知是如何产生的
- VIsual motion discrimination task：细胞对运动方向敏感(decoder)——可用于解码
- 池化——把神经元之间的噪音平均(群体神经元的记录——如双光子)，从而提高信噪比(神经元数目越多，噪音相关性越大)
- decoder：分辨两个刺激的能力，随着噪音相关性的提高，分辨的阈值越高
- 限制解码能力：【Noise correlation和signal correlation】相反时有利于信号的编码和解码(两个刺激此时无overlap)
- 学习并不能改变二者正相关的关系来改变decoder的解码能力。
- 如何推测单个细胞编码了行为
- Firing+Perception的相关性
- 因果性：微电流刺激改变认知——感知觉信息是如何被这群细胞提取并编码的，从而改变认知。
- 为什么要群体解码，而不通过最敏感的细胞？——蟋蟀的触觉感受器，感受风的方向
- 分析模型与方法：
- 群体向量——可用于脑机接口的解码
- 概率coding——神经元的发放具有概率性(后验概率)，通过群体细胞的信号发放(对不同特征的抽提即采样r——推断s，即认知是什么【刺激，如朝向刺激】)反推行为，从而反应认知【贝叶斯框架——是一个概率推理，即是一个不断学习的大脑，进而导致大脑具备更全面的知识库】
- 条件概率为data，与先验知识（可指导陌生数据的理解，节约代价与试错，适应新环境；人工智能缺失先验知识）相互作用形成新的知识
- 贝叶斯大脑——自上而下，通过先验知识对数据的修正
- 错觉与深度视觉（遗传）来自于先验知识
- 极大似然法：概率的比较——选取最大的概率产生对目的事物(如桌子)的认知。
- Fisher信息量：记录到的神经元对某一行为编码的信息量最大是多少？
- 组成分分析和降维：每一个细胞受到线性和非线性信号权重的叠加，如时间、空间等——此时降维找主要成分，利于解析细胞的信号编码过程。
- 证据：
- 高尔基及其“网状学说” 和“神经元学说”的争执
- 人脸细胞与物体细胞(处理不同物体和人有交集)
- 应用：
- 假体：听觉假体(人工耳蜗)、视觉假体
- 脑机接口
- 侵入式+非侵入式
- 闭环式(控制握力)
- Utah电极——浅
- 线性电极——Neural Pixels
- 柔性电极——神经流苏
- 分析模型与方法：