Learning of Precise Spike Times with Membrane Potential Dependent Synaptic Plasticity
神经元动作电位的精确时空模式是例如感觉表征和肌肉活动控制的基础。然而，尚不清楚大脑神经元网络中的突触功效如何适应，使得它们能够在特定时间点可靠地产生尖峰。现有的活动依赖的可塑性规则，如尖峰时间依赖的可塑性是不可知的学习尖峰时间的目标。另一方面，现有的正式和监督学习算法执行预测活动与目标的时间上精确的比较，但没有已知的生物学上合理的实现这种比较。在这里，我们提出了一个简单的和局部的无监督的突触可塑性机制，是来自于平衡的膜电位的要求。由于突触变化的相关信号是突触后电压而不是尖峰时间，我们称之为可塑性规则膜电位依赖可塑性（MPDP）。将我们的可塑性机制与尖峰后超极化相结合，导致突触变化对突触前和突触后尖峰时间的敏感性，这可以再现实验中发现的抑制性突触的Hebbian尖峰时间依赖可塑性。此外，当产生尖峰时，MPDP对电压的时间过程的敏感性允许MPDP区分弱（假）尖峰和强（教师）尖峰，这因此为实际和目标活动的比较提供了神经元基础。对于时空输入尖峰模式，我们概念上简单的可塑性规则实现了令人惊讶的高存储容量的尖峰协会。MPDP在训练过程中对阈下膜电位的敏感性允许在学习后即使在存在被噪声破坏的活动的情况下也进行鲁棒的记忆检索。
2015-02-23 q-bio.NC
A neuro-inspired system for online learning and recognition of parallel spike trains, based on spike latency and heterosynaptic STDP
人类在包括模式识别在内的许多认知任务中表现出色。然而，这一过程背后的神经机制还没有很好地理解。然而，受大脑回路启发的人工神经网络已经被设计并用于处理时空模式识别任务。在本文中，我们提出了一个多神经元的锋电位模式检测结构，能够自主实现在线学习和识别的并行锋电位序列（即，属于不同神经元/神经系综的脉冲序列）。这种结构的工作原理是基于两个尖峰/突触神经计算特性：尖峰延迟，使神经元能够以一定的延迟和异突触可塑性发射尖峰，允许自己调节突触权重。从信息表示的角度来看，该结构允许将时空刺激映射到多维、时间的特征空间。在这个空间中，参数坐标和神经元激发的时间代表一个特定的特征。在这个意义上，每个特征可以被认为跨越单个时间轴。我们应用我们提出的计划从运动抑制认知任务的实验数据。实验结果表明，该方法具有较好的分类性能.除了它的有效性，它的简单性和低计算成本建议在几个领域，如脑机接口，个人生物识别认证或疾病的早期检测的实时识别应用的大规模实施。
2018-06-27 q-bio.NC
Measures of spike train synchrony for data with multiple time-scales
背景：棘波训练同步性的测量在实验和计算神经科学中都有广泛的应用。时间尺度独立和无参数的测量，例如ISI距离，SPIKE距离和SPIKE同步，比时间尺度参数测量更可取，因为通过适应局部放电率，它们考虑了给定数据集的所有时间尺度。新方法：在包含多个时间尺度（例如，规则尖峰和突发）的数据中，人们通常对最小的时间尺度不太感兴趣，并且需要更自适应的方法。在这里，我们提出了A-ISI-距离，A-SPIKE-距离和A-SPIKE-同步，它推广了原来的措施，考虑到当地相对于全球的时间尺度。对于A-SPIKE距离，我们还引入了一个与速率无关的扩展，称为RIA-SPIKE距离，它专门关注尖峰定时。结果如下：自适应泛化A-ISI-距离和A-SPIKE-距离允许忽略在更全球尺度上不相关的尖峰时间差。A-SPIKE同步不再需要对双尖峰和重合脉冲串的不合理的高精度。最后，RIA-SPIKE-distance被证明是独立的尖峰列车之间的速率比。与现有方法的比较：我们发现，与原始版本相比，A-ISI距离和A-SPIKE距离产生包含不同时间尺度的尖峰序列的改进，而不会在其他示例中表现出任何不必要的副作用。A-SPIKE-同步比SPIKE-Synchronization更有效地匹配尖峰。结论：有了这些建议，我们已经完成了图片，因为我们现在提供了自适应广义的措施，是敏感的速率（A-ISI距离），仅定时（ARI-SPIK…
2017-05-30 physics.data-an q-bio.NC
convSeq: Fast and Scalable Method for Detecting Patterns in Spike Data
针对大规模神经记录中重复时空尖峰模式缺乏高效可扩展检测方法的问题，提出无监督方法convSeq，通过反向传播优化时空滤波器识别神经模式，速度超现有方法，为自发神经活动分析树立新标准。
2024-05-14 eess.SP q-bio.NC
Associative memory of phase-coded spatiotemporal patterns in leaky Integrate and Fire networks
我们研究了Leaky Integrate and Fire网络的集体动力学，其中神经元之间尖峰的精确相对相位关系被存储为动力学的吸引子，并在不同的时间尺度上选择性地重放。使用基于STDP的学习过程中，我们存储在连接几个相位编码的尖峰模式，我们发现，根据网络的兴奋性，不同的工作制度是可能的，短暂的或持久的重放活动引起的一个简短的信号。我们引入了一个序参数来评价存储和调用的相位编码模式之间的相似性，并衡量存储容量。在重放期间尖峰阈值的调制改变集体振荡的频率或每个周期的尖峰数量，保持保持相位关系。这允许相位、速率和频率是可分离的编码方案。研究了神经元参数对噪声和异质性的鲁棒性，结果表明，由于动力学是一个检索过程，神经元保持单元间稳定精确的相位关系，即使在噪声条件下和单元内部参数异质性的情况下，也保持唯一的振荡频率.
2012-10-25 q-bio.NC
Quantifying spike train synchrony and directionality: Measures and Applications
Institute for Complex Systems (ISC), National Research Council (CNR)（复杂系统研究所，国家研究委员会）；National Institute of Nuclear Physics (INFN), Florence Section（国家核物理研究所，佛罗伦萨分部）
本文综述了多种量化神经元尖峰序列同步性与方向性的测度，介绍两种基于SPIKE-Order的延迟校正算法，并通过人工与真实神经元数据演示其应用，推动定量尖峰序列分析发展。
2026-07-30 physics.data-an q-bio.NC
Retinal processing: insights from mathematical modelling
视网膜是视觉系统的入口。虽然基于共同的生物物理学原理，视网膜神经元的动力学是完全不同的，从他们的皮质对应，提出有趣的问题建模。在本文中，我解决一些数学陈述的问题，在这种精神，讨论，特别是：（1）如何横向无长突细胞连接形状的时空尖峰反应的视网膜神经节细胞？(2)时空刺激相关性和视网膜网络动力学如何塑造视网膜输出端的尖峰训练相关性？这些问题的解决，首先，引入一个数学上易于处理的模型分层视网膜，整合无长突细胞的横向连接和分段线性整流，允许计算视网膜神经节细胞的感受野与电压和尖峰相关性的视网膜神经节细胞产生的无长突细胞网络。然后，我回顾了最近的一些结果，显示时空吉布斯分布和线性响应理论的概念可以用来表征集体尖峰响应的一组视网膜神经节细胞的时空刺激，通过有效的相互作用相对应的无长突细胞网络耦合。在这些基础上，我简要讨论了这些结果在皮层水平上的几个潜在后果。
2022-01-18 math.DS physics.bio-ph q-bio.NC
Spatio-Temporal Backpropagation for Training High-performance Spiking Neural Networks
与人工神经网络相比，脉冲神经网络能够编码更多的时空信息，因而在研究类脑行为方面具有广阔的应用前景。虽然神经网络的预训练或基于反向传播（BP）的直接训练使得SNN的监督训练成为可能，但这些方法仅利用网络的空间域信息，导致性能瓶颈，并且需要许多复杂的训练技巧。另一个基本问题是，尖峰活动是自然不可微的，这导致训练SNN的巨大困难。为此，我们构建了一个迭代LIF模型，它对梯度下降训练更友好。通过在训练阶段同时考虑逐层空间域（SD）和时间依赖的时间域（TD），以及尖峰活动的近似导数，我们提出了一个时空反向传播（STBP）训练框架，而不使用任何复杂的技术。我们实现了最佳性能的多层感知器（MLP）相比，现有的国家的最先进的算法在静态MNIST和动态N-MNIST数据集，以及自定义目标检测数据集。这项工作为探索未来具有丰富时空动态的类脑计算范式的高性能SNN提供了一个新的视角。
2017-09-12 cs.NE q-bio.NC stat.ML
Which spike train distance is most suitable for distinguishing rate and temporal coding?
背景：在神经元编码中，通常认为对编码神经元重复呈现刺激会引起相似的反应。评估相似性的一种常见方式是脉冲序列距离。这些可以分为尖峰分辨的，例如Victor-Purpura和van Rossum距离，以及时间分辨的，例如ISI-，SPIKE-和RI-SPIKE-距离。新方法：我们使用独立的稳定速率泊松过程作为代理人的脉冲序列与固定的速率和没有定时信息，以解决两个基本问题：如何不同的脉冲序列距离的灵敏度时间编码取决于两个过程的速率和如何处理的距离非常低的利率？结果：尖峰分辨距离总是包含速率信息，即使是指示时间编码的参数。这对于合理的高利率是一个问题，但对于非常低的利率是有益的。相比之下，用于检测时间分辨距离的时间编码的操作范围在正常速率下是优越的，但是这些措施在非常低的速率下产生伪影。RI-SPIKE-distance是仅对定时信息敏感的唯一度量。与现有方法的比较：虽然我们的结果与\citet{Chicharro11}的尖峰分辨距离的速率相关的期望值同意，我们在这里更进一步，特别是调查适用于非常低的利率。结论：最适当的衡量标准取决于所分析数据的比率。因此，我们将结果总结在一个表中，该表允许轻松选择任何类型数据的首选度量。
2018-02-21 physics.data-an q-bio.NC
Entropy-based parametric estimation of spike train statistics
我们考虑神经元网络的演化，重点是尖峰动力学的渐近行为，而不是膜电位动力学。在这种情况下，尖峰响应不是作为确定性响应来寻求的，而是作为条件概率来寻求的：“读出代码”包括推断这样的概率。这个概率是计算从经验光栅图，通过使用框架的热力学形式主义遍历理论。这给了我们一个参数统计模型，其中概率具有吉布斯分布的形式。在这方面，这种方法概括了施奈德曼和合作者的开创性和深刻的工作。一个最小的介绍形式主义在这里进行审查，而一般的算法估计方法提出了快速收敛的实现。它也明确了几个尖峰观测（熵，速率，同步，相关性）给出了封闭形式的参数估计。这种范式不仅允许我们在给定设计选择的情况下估计尖峰统计数据，而且还可以比较不同的模型，从而回答关于神经代码的比较问题，例如：“相关性（或时间同步性或给定的尖峰模式集，...）仅对速率编码有意义？“提出了一种数值验证的方法，关于尖峰序列代码分析的观点也进行了讨论。
2010-08-26 physics.data-an q-bio.NC
Spike train statistics and Gibbs distributions
本文是基于LACONEU暑期学校，瓦尔帕莱索，2012年1月的讲座。我们介绍了吉布斯分布在一般设置，包括非平稳动力学，并提出了三个这样的吉布斯分布的例子，在神经网络尖峰训练统计的上下文中：（i）最大熵模型与时空约束;（ii）广义线性模型;（iii）电导为基础的积分和火模型与化学突触和间隙连接。
2013-02-20 physics.bio-ph q-bio.NC
Using spike train distances to identify the most discriminative neuronal subpopulation
背景：多个神经元的棘波序列可以根据总和群体（SP）或标记线（LL）假设进行分析。对外部刺激的反应是由神经元群体作为一个整体产生的，或者单个神经元具有自己的编码能力。针对群体上的单个汇集的尖峰序列或针对每个神经元单独估计的SPIKE距离可以用于量化这些响应。新方法：对于SP的情况下，我们比较三种算法，搜索最具歧视性的亚群在所有的刺激对。对于LL的情况下，我们引入了一种新的算法，结合神经元，单独分离不同的刺激对最好的。结果：SP的最佳方法是在所有可能的亚群上进行强力搜索。但是，它只适用于小群体。对于更现实的设置，模拟退火明显优于梯度算法，仅增加有限的计算负荷。我们的新LL方法可以处理非常复杂的编码场景，尽管它的计算容易。与现有方法的比较：脉冲串距离已被扩展到SP和LL编码之间的神经种群插值分析。这包括参数化区分不同神经元中被激发的尖峰的重要性。然而，这些方法只考虑整个人口。对亚群的明确关注使我们的算法是互补的。结论：神经群体的编码可能性是广泛的。SP和LL情况是我们的算法提供正确识别结果的两个极端。
2018-09-14 physics.data-an q-bio.NC
Statistical Mechanics of Spike Trains: Self-Consistent Activity Ensembles and Phase Transitions
Université Paris Cité（巴黎西岱大学）；Institute of Psychiatry and Neuroscience of Paris (IPNP)（巴黎精神病学与神经科学研究所）；INSERM U1266（法国国家健康与医学研究院 U1266）；Hôpital Fondation Adolphe de Rothschild（阿道夫·德·罗斯柴尔德基金会医院）；Medical University of Gdańsk（格但斯克医科大学）；Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；Laboratoire de Physique Théorique de la Matière Condensée, LPTMC（凝聚态物质理论物理实验室）；Institut Universitaire de France (IUF)（法兰西学院）；LIB, Sorbonne Université, INSERM, CNRS（索邦大学、法国国家健康与医学研究院、法国国家科学研究中心 LIB）；Institute of Theoretical and Applied Informatics, Polish Academy of Sciences（波兰科学院理论与应用信息学研究所）；International Centre for Theory of Quantum Technologies (ICTQT), University of Gdansk（格但斯克大学量子技术理论国际中心）
该研究提出脉冲神经元系统的统计力学框架，构建完整脉冲历史系综并分配有效能量泛函，表征振荡与非振荡活动的相变，通过序参量诊断 regime，经蒙特卡洛模拟验证自由能景观的预测。
2026-10-16 math-ph math.MP q-bio.NC
A guide to time-resolved and parameter-free measures of spike train synchrony
脉冲序列同步性的测量在实验和计算神经科学中都被证明是一个有价值的工具。特别有用的是时间分辨的方法，如ISI和SPIKE距离，已经应用于各种二元和多元的背景。最近，SPIKE同步被提出作为另一种时间分辨同步措施。它基于事件同步，具有非常直观的解释。在这里，我们提出了一个详细的分析这三个同步措施的数学性质。例如，我们能够获得泊松脉冲序列的ISI距离和SPIKE同步的期望值的解析表达式。对于SPIKE距离，我们提出了一个经验公式推导出的数值评估。这些期望值对于解释在实验或数值模拟中测量的脉冲序列的同步是至关重要的，因为它们代表完全随机化的脉冲序列的参考点。
2015-11-06 physics.bio-ph physics.data-an q-bio.NC
PySpike - A Python library for analyzing spike train synchrony
了解大脑的功能是我们这个时代最大的挑战之一。实验记录的神经放电模式（尖峰序列）的分析在解决这个问题中起着至关重要的作用。这里介绍PySpike库，这是一个用于spike训练分析的Python包，提供了无参数和时间尺度独立的spike训练同步测量。它允许计算相似性和相异性配置文件，平均值和距离矩阵。虽然PySpike主要专注于神经科学，但它也可以应用于气候研究或社会科学等其他领域。该软件包在Github和PyPI上以开源形式提供。
2016-07-09 physics.bio-ph physics.data-an q-bio.NC
Spike-burst chimera states in an adaptive exponential integrate-and-fire neuronal network
嵌合态是相干和非相干共存的时空模式。我们观察到在神经元网络中同步（相干）和去同步（不相干）域的共存。该网络由耦合的自适应指数积分和发射神经元组成，这些神经元通过化学突触连接。在我们的神经元网络中，嵌合态表现出具有尖峰和爆发活动的空间结构。此外，这些deserminised域不仅有尖峰或突发活动，但我们表明，尖峰和突发之间的结构切换，随着时间的推移。此外，我们还验证了多簇嵌合态的存在。
2019-04-17 nlin.AO physics.bio-ph q-bio.NC
Synaptic Integration of Spatiotemporal Features with a Dynamic Neuromorphic Processor
Luleå University of Technology（吕勒奥理工大学）
发放神经元可以通过突触前发放模式的非线性突触和树突整合来执行时空特征检测。非线性树突的多室模型和相关的神经形态电路设计使得能够忠实地模仿这种动态集成过程，但是这些方法也与相对高的计算成本或电路尺寸相关联。在这里，我们调查的时空尖峰模式与多个动态突触的DYNAP-SE神经形态处理器，它提供了一个互补的资源效率，虽然不太灵活，方法来特征检测点神经元的突触整合。我们研究如何以前提出的兴奋-抑制对动态突触可以结合起来，以整合多个输入，我们概括了这一概念的情况下，一个抑制性突触与多个兴奋性突触相结合。我们通过测量和分析神经形态神经元回路的膜电位来表征所产生的延迟兴奋性突触后电位（EPSP）。我们发现，生物相关的EPSP延迟，每个神经元的顺序为10毫秒的变化，可以实现在所提出的方式，通过选择不同的突触组合，由于设备不匹配。基于这些结果，我们证明了一个单点神经元动态突触的DYNAP-SE可以选择性地响应突触前尖峰与特定的时空结构，这使得，例如，视觉功能调整的单个神经元。
2021-06-01 cs.CV cs.NE q-bio.NC
Identifying features in spike trains using binless similarity measures
中枢神经系统中的神经元通过一系列动作电位或脉冲序列相互交流。各种研究表明，神经元以脉冲序列的不同特征编码信息，例如精细时间结构、平均放电率、同步性等。理解神经元编码信息的重要一步是获得可靠的测量值不同脉冲序列之间的相关性。本文提出了两种新的脉冲序列的无仓相似性度量。新措施的性能进行了比较，与现有的一些措施，在他们的能力，检测的重要功能的脉冲序列，如他们的发射率，突发和共同的沉默期的敏感性和检测同步活动。
2014-10-19 q-bio.NC
Measuring spike train synchrony
估计两个或多个锋电位序列之间的同步性或可靠性程度是实验和计算神经科学中的一项常见任务。近年来，已经提出了许多不同的方法，这些方法通常在预先固定的特定时间尺度上比较尖峰的定时。在这里，我们提出了ISI距离，一个简单的补充方法，通过评估瞬时频率的比率从峰间间隔提取信息。该方法是无参数，时间尺度独立，易于可视化所示的应用程序从大鼠脑片中获得的真正的神经元锋电位列车。与现有的方法从模拟Hindemash-Rose网络中提取的尖峰列车相比，ISI距离的表现以及最佳的时间尺度优化措施的基础上尖峰时间。
2007-07-03 physics.bio-ph physics.data-an q-bio.NC
On the spike train variability characterized by variance-to-mean power relationship
我们提出了一种统计方法来模拟非泊松变异的脉冲序列中观察到的范围广泛的大脑区域。我们的方法的核心是假设的方差和平均值的interspike间隔相关的幂函数，其特征在于由两个参数：比例因子和指数。它示出，这个单一的假设允许的变异性的脉冲序列具有任意的规模和各种依赖性的发射率的尖峰计数统计，以及在间隔统计，取决于两个参数的功率函数。我们还提出了一个统计模型的脉冲序列，表现出方差-均值功率关系，并在此基础上的最大似然法推导出的参数从速率调制的脉冲序列。所提出的方法说明了模拟和实验脉冲序列。
2015-05-21 q-bio.NC
Training of spiking neural networks based on information theoretic costs
脉冲神经网络是一种神经元之间通过脉冲进行通信的人工神经网络。尖峰是由其到达时间表征的相同布尔事件。尖峰神经元具有内部动力学，并且响应于输入的历史，而不是仅响应于当前输入。由于这些特性，脉冲神经网络具有丰富的内在能力来处理时空数据。然而，由于尖峰是不连续的“是或否”事件，因此将传统的训练过程（例如梯度下降）应用于尖峰神经元并非微不足道。在这篇论文中，我们提出使用随机尖峰神经元模型，其中尖峰输出的概率是参数的连续函数。我们制定了几个学习任务的最小化某些信息理论的成本函数，使用尖峰输出概率分布。我们开发了一个广义的随机尖峰神经元和一个新的尖峰神经元模型，允许灵活地处理丰富的时空数据的描述。我们为以下任务制定和推导学习规则：- 检测时空模式作为负对数似然的最小化的监督学习任务，神经元输出的稳定性（熵）-一种无监督学习任务，以熵的最小化来增加神经元输出的稳定性-控制代理的强化学习任务，作为神经元输出的滤波后的样本的调制优化。我们测试了衍生的学习规则在几个实验中，如时空模式检测，时空数据存储和召回与自联想记忆，结合监督和无监督学习，以加快学习过程，简单的虚拟代理在不断变化的环境中的自适应控制。
2016-02-15 cs.NE q-bio.NC
Spatiotemporal dynamics on small-world neuronal networks: The roles of two types of time-delayed coupling
我们研究了由噪声Terman-Wang（TW）可兴奋神经元组成的小世界网络的时间相干性和空间同步性，依赖于两种类型的时间延迟耦合：$\{x_j(t-τ)-x_i (t)\}$和$\{x_j(t-τ)-x_i(t-τ)\}$。对于前一种情况下，我们表明，在耦合的时间延迟可以显着提高时间的连贯性和空间同步的噪声诱导的尖峰列车。此外，如果延迟时间$τ$被调谐到几乎匹配的神经网络的内在尖峰周期，系统动力学达到最有序的状态，这是在时间上的周期性和几乎同步的空间，展示了一个有趣的共振现象与延迟。对于后一种情况，然而，我们不能实现类似的时空有序状态，但神经元动力学表现出有趣的同步过渡与时间延迟从锯齿形的正面的激励，动态集群反相同步（APS），并进一步集群嵌合体状态具有空间分布的反相相干分离的不相干。此外，我们还展示了这些发现是如何受到噪声强度和重新布线概率的变化的影响。最后，对数值结果进行了定性分析.
2011-04-19 cond-mat.dis-nn q-bio.NC
A comparison of Euclidean metrics and their application in statistical inferences in the spike train space
对锋电位序列的统计分析和推断是神经编码研究的中心课题之一。了解给定脉冲序列数据的潜在分布和几何结构是非常有趣的。然而，一个根本的障碍是，所有的脉冲序列的空间是不是一个欧几里德空间，和非欧几里德度量已在文献中常用的特征的变化和模式的神经观察。在过去的几年里，两个类似于欧几里德的度量被独立地开发出来，用于测量脉冲序列空间中的距离。这些度量的重要益处在于，由于它们的欧几里德性质，脉冲序列空间将适合于嵌入欧几里德空间中。在本文中，我们系统地比较这两个度量的理论，性质和应用。由于其欧几里德属性，这些度量之一已被进一步用于定义汇总统计（即均值和方差）并在脉冲序列空间中进行统计推断。在这里，我们提供了等效的定义，使用其他指标，并表明可以进行一致的统计推断。然后，我们应用这两个推理框架中的神经编码问题的记录在膝状体神经节刺激不同的口味。结果发现，这两个框架取得了理想的结果，并提供了有用的新工具，在神经脉冲序列空间的统计推断。
2015-06-10 q-bio.NC
On the information in spike timing: neural codes derived from polychronous groups
有越来越多的证据表明，在神经信息处理的尖峰定时的重要性，即使是少量的尖峰携带的信息，但计算模型明显落后于那些频率编码。神经元行为的实验证据是一致的动力学和状态依赖的行为所提供的经常性连接。这激发了本文研究的最低限度抽象，旨在通过经常性连接提供对尖峰定时信息编码的洞察。我们采用信息理论的技术，一个简单的水库模型，输入时空模式编码成稀疏的神经代码，翻译的polyacrylic组介绍了Izhikevich成码字，我们可以执行标准的向量运算。我们表明，代码的距离属性是类似的（最佳）随机码。特别是，该代码符合与线性分类和容量相关的基准，后者随水库大小呈指数级增长。
2018-03-09 cs.NE q-bio.NC stat.ML
Monitoring spike train synchrony
最近，已经提出了作为一个参数的和时间尺度独立的措施，穗训练同步的穗距离。该测量是时间分辨的，因为它依赖于尖峰训练相异性的瞬时估计。然而，它的原始定义导致了虚假的高瞬时值的事件样放电模式。在这里，我们提出了一个实质性的改进，这一措施，消除了这一缺点。获得的可靠性使我们能够跟踪瞬时聚类的变化，即，多个尖峰序列之间的时间局部化模式的相似性。额外的新功能包括选择性和触发时间平均以及瞬时比较尖峰训练组。在第二步骤中，定义因果尖峰距离，使得相异性的瞬时值仅依赖于过去的信息，从而可以实时估计时间分辨的尖峰训练同步。我们证明，这些方法是能够提取有价值的信息，通过监测癫痫发作过程中神经元之间的同步性的现场数据。最后，说明了模型脑电图（EEG）记录的连续数据的常规和实时SPIKE距离的适用性。
2012-12-08 physics.bio-ph physics.data-an physics.med-ph
Estimating the number of neurons in multi-neuronal spike trains
研究神经活动和行为之间关系的一种常见方法是通过分析使用植入大脑中的一个或多个电极记录的神经元尖峰序列。每个尖峰训练通常包含由多个神经元生成的尖峰。一个自然出现的问题是“产生尖峰训练的神经元$ν$的数量是多少？本文提出了一种矩量法技术估计$ν$。这种技术估计噪声nonparametrically使用的数据从无声区域的尖峰训练，它适用于孤立的尖峰可能很小，但不可忽略，存在重叠尖峰。条件建立，其中所得到的估计$ν$是强一致的。为了衡量其有限样本的性能，该技术适用于模拟尖峰列车以及实际的神经元尖峰训练数据。
2011-04-14 q-bio.NC stat.AP
The Computational Structure of Spike Trains
神经元执行计算，并通过其输出脉冲序列的统计结构来传达这些计算的结果。在这里，我们提出了一个实用的方法，接地预测的信息理论分析，推断该结构的最小表示和表征其复杂性。从脉冲序列开始，我们的方法找到他们的因果状态模型（CSM），最小的隐马尔可夫模型或随机自动机能够产生统计上相同的时间序列。然后，我们使用这些CSM客观地量化脉冲序列的可推广结构和特质随机性。具体来说，我们表明，预期的算法信息内容（精确描述脉冲序列所需的信息）可以被分成三个部分，描述（1）时不变结构最小锋电位产生过程的复杂性，它对脉冲序列进行统计描述;（2）随机性（内部熵率）;以及（3）不由最小尖峰生成过程描述的残余纯噪声项。我们使用CSM来近似这些量中的每个量。的CSM推断nonparametrically从数据中，只有轻微的规律性假设，通过因果状态分裂重建算法。这里提出的方法补充了更传统的脉冲序列分析，不仅描述尖峰概率和脉冲序列熵，但也复杂的脉冲序列的结构。我们证明了我们的方法，使用模拟的脉冲序列和实验数据记录在大鼠桶皮层在触须刺激。
2009-12-30 cs.IT math.IT nlin.AO
Entropy and Information in Neural Spike Trains
神经系统以离散动作电位或尖峰的序列表示时间依赖性信号，所有尖峰都是相同的，使得信息仅在尖峰到达时间中携带。我们展示了如何量化这些信息，在比特，从任何假设的尖峰训练或输入波形的功能是最重要的。我们应用这种方法来分析实验的运动敏感神经元在苍蝇视觉系统。
1997-06-27 cond-mat q-bio.NC
Large Deviations Properties of Maximum Entropy Markov Chains from Spike Trains
我们考虑最大熵马尔可夫链推断方法来表征神经元脉冲序列的集体统计，重点是推断模型的统计特性。我们回顾大偏差技术在这方面有用的描述属性的准确性和收敛性的抽样规模。我们利用这些结果研究了极大熵马氏链的相关性、可解性和不可逆性的统计涨落。我们说明这些应用程序使用简单的例子，其中大偏差率函数明确获得最大熵模型的相关性在这一领域。
2018-05-18 q-bio.NC
Spikebench: An open benchmark for spike train time-series classification
现代性能良好的神经解码方法基于机器学习模型，例如决策树集成和深度神经网络。可以用于从神经脉冲序列（其本质上是时间序列数据）学习的广泛算法导致需要用于神经解码的多样且具有挑战性的基准，类似于计算机视觉和自然语言处理领域中的基准。在这项工作中，我们提出了一个脉冲序列分类基准，开放访问的神经活动数据集的基础上，包括几个学习任务，如刺激类型分类，动物的行为状态预测，神经元类型识别。我们证明了一种基于手工制作的时间序列特征工程的方法建立了一个强大的基线，其性能与最先进的基于深度学习的神经解码模型不相上下。我们发布的代码允许重现报告的结果。
2023-01-27 q-bio.NC stat.AP
Search for optimal measure for discriminating spike trains with different randomness
我们希望歧视尖峰序列的不规则程度的基础上。为了这个目的，我们寻找一个合理的表达的二次函数的连续interspike间隔，有效地测量尖峰不规则性。在自然假设下，系数的函数形式可以由单个参数参数化。参数的确定，以最大限度地提高来自不同的更新点过程的尖峰序列计算的系数的分布之间的互信息。我们发现，局部变化的interspike间隔，LV（神经计算。Vol. 15，pp. 2823-42，2003），由于其固有的不规则性接近于实验数据的不规则性，因此接近最优。
2005-05-13 q-bio.NC
Texture Recognition Using a Biologically Plausible Spiking Phase-Locked Loop Model for Spike Train Frequency Decomposition
本文提出一种生物合理的脉冲锁相环模型，通过频率分解解码纹理，并在MST数据集上提升最先进性能。
2024-03-12 q-bio.NC
Kernel methods on spike train space for neuroscience: a tutorial
在过去的十年中，已经提出了几个正定核处理脉冲序列作为对象在希尔伯特空间。然而，在大多数情况下，这种尝试仍然只是计算神经科学家和信号处理专家的好奇心。本教程说明了为什么内核方法可以并且已经开始改变分析和处理脉冲序列的方式。该演示文稿结合了简单的数学类比和令人信服的实际例子，试图显示尚未探索的潜力，正定函数量化点过程。它还提供了一个详细的概述，目前的艺术和未来的挑战，希望从事读者积极参与。
2013-02-24 q-bio.NC
Entropy and information in neural spike trains: Progress on the sampling problem
神经反应和其他生物数据的信息论分析的主要问题是小样本的熵类量的可靠估计。我们应用最近推出的贝叶斯熵估计的实验启发的合成数据，并真正的实验尖峰列车。该估计器的表现令人钦佩，甚至非常深的欠采样制度，其他技术失败。这为实验的信息论分析开辟了新的可能性，并且作为从有限数据中学习的例子可能具有普遍的意义。
2004-03-12 physics.bio-ph physics.data-an q-bio.NC
A new framework for Euclidean summary statistics in the neural spike train space
对脉冲序列的统计分析和推断是神经编码研究的中心课题之一。理解给定神经数据的底层结构是非常有趣的。基于棘波序列之间的度量距离，最近的研究已经引入了平均或原型脉冲序列的概念来表征神经活动中的模板模式。然而，由于这些度量缺乏某些欧几里得属性，定义的平均值是非唯一的，并且不共享平均值的传统属性。在这篇文章中，我们提出了一个新的框架来定义的平均脉冲序列，我们采用了一个类似于欧几里德度量从$L^p$家庭。我们证明，这种新的平均脉冲序列正确地表示在传统的方式的平均模式，并可以有效地计算使用理论证明收敛的过程。我们将此平均值与其他脉冲序列平均值进行了比较，并证明了其优越性。此外，我们将新的框架应用于啮齿动物膝状体神经节的记录中，其中背景放电活动是神经编码的常见问题。我们表明，建议的平均脉冲序列可以用来消除背景噪声，提高解码性能。
2015-11-05 q-bio.NC stat.AP
Signal Coding and Perfect Reconstruction using Spike Trains
在许多动物的感觉通路中，从外部刺激到脉冲序列的转换本质上是确定性的。在这种情况下，一个新的数学框架的编码和重建，基于一个生物学上合理的模型的尖峰神经元，提出。该框架考虑通过标准卷积阈值机制由神经元集合生成的脉冲序列对信号进行编码。神经元通过它们的卷积核和阈值来区分。重建被假定为一个凸优化最小化能量。然后，在该设置中识别出从脉冲序列完美重建信号的形式条件。最后，提出了一种随机梯度下降机制来实现这些条件。仿真实验证明了该框架的强度和有效性
2019-07-30 cs.NE q-bio.NC
Noise-induced interspike interval correlations and spike train regularization in spike-triggered adapting neurons
神经元中的尖峰产生产生时间点过程，其统计由内在现象和待编码的外部传入输入支配。特别是，尖峰诱发的适应电流支持一个缓慢的时间过程，条件尖峰概率在目前的时间根据过去的活动。在这项工作中，我们研究的统计数据，在这样的非更新脉冲序列，神经元模型，再现不同的尖峰模式在一个小的适应情况下产生的尖峰间期的相关性。我们发现，当神经元以特定的放电率放电时，相关性会更强，这是由适应过程定义的。当设置在亚阈值状态时，神经元可以维持该特定的放电速率，并且因此通过噪声诱导相关性。鉴于，在这种制度下，interspike间隔是负相关的任何滞后，这种效果令人惊讶地意味着减少在有限的噪声强度的尖峰计数统计的变化。
2016-10-28 cond-mat.dis-nn physics.bio-ph q-bio.NC
Linear response for spiking neuronal networks with unbounded memory
我们建立了一个一般的线性响应关系的尖峰神经元网络，基于无限记忆链。这种关系使我们能够预测一个弱的振幅时间依赖性的外部刺激的时空尖峰相关性的影响，从自发的统计（无刺激）在一般情况下，在尖峰动态的记忆可以在过去任意远。使用这种方法，我们展示了线性响应是如何明确地与神经元动力学的一个例子，GIF模型，介绍了M。Rudolph和A.德斯特谢这个例子说明了刺激、内在神经元动力学和网络连接对尖峰统计的集体影响。我们用数值模拟来说明我们的结果。
2020-04-02 physics.bio-ph q-bio.NC
Learning with precise spike times: A new decoding algorithm for liquid state machines
有大量证据表明，生物神经网络在神经元产生和传输的尖峰的精确定时中编码信息，这提供了基于速率的编码的几个优点。在这里，我们采用矢量空间制定的脉冲序列序列，并引入一个新的液态机（LSM）网络架构和一个新的前向正交回归算法学习的输入输出信号映射或解码的大脑活动。该算法使用精确的尖峰时间来选择与每个学习任务相关的突触前神经元。我们表明，使用精确的尖峰定时训练的LSM和选择读出神经元导致显着增加的性能上的二进制分类任务，以及在解码神经活动从多电极阵列记录，相比，使用标准的架构和训练方法。
2019-07-13 q-bio.NC
Supervised Learning of Logical Operations in Layered Spiking Neural Networks with Spike Train Encoding
很少有用于脉冲神经网络的监督训练的算法存在，可以处理多个尖峰的模式，并且它们的计算特性在很大程度上是未探索的。我们在一组模拟中证明了ReSuMe学习算法可以成功地应用于分层神经网络。输入和输出模式被编码为多个精确定时的尖峰的尖峰序列，并且网络学习将输入序列转换为目标输出序列。这是通过将ReSuMe学习算法与下游神经元连接的乘法缩放相结合来完成的。我们特别指出，具有一个隐藏层的分层网络可以学习基本的逻辑运算，包括异或，而没有隐藏层的网络不能，反映了速率神经元分层网络的类似结果。虽然脉冲神经网络中的监督学习还不适合技术目的，但探索脉冲神经网络的计算特性可以促进我们对如何使用脉冲序列进行计算的理解。
2011-12-01 cs.NE q-bio.NC
A Wavelet Analysis of Transient Spike Trains of Hodgkin-Huxley Neurons
用连续小波变换和离散小波变换分析了由单个Hodgkin-Huxley（HH）神经元产生的由$M$（= 1 - 5）个脉冲组成的瞬态锋电位序列。我们研究了尖峰脉冲的脉冲间间隔（ISI）的变化和噪声对能量分布和小波熵的影响，这些能量分布和小波熵用小波变换展开系数表示。WT得到的结果进行了讨论与那些通过傅立叶变换得到的。
2001-11-02 cond-mat.dis-nn q-bio.NC
A new class of metrics for spike trains
一对尖峰序列之间的距离，量化它们之间的差异，可以使用各种度量来测量。在这里，我们介绍了一类新的尖峰训练指标，Pompeiu-Hausdorff距离的启发，并与现有的指标进行比较。我们的一些新度量（模度量和最大度量）具有与经典度量（如van Rossum距离或Victor & Purpura距离）在性质上不同的特征。模度量和最大度量特别适合于测量尖峰序列之间的距离，其中信息被编码在突发中，但是突发内的尖峰的数量和定时不携带信息。模度量不依赖于任何参数，并且可以使用快速算法在线性依赖于两个尖峰序列中的尖峰数量的时间内计算。我们还介绍了本地化版本的新指标，这可能有生物相关的解释，测量尖峰列车之间的差异，因为它们被认为是在特定时刻的神经元接收这些尖峰列车。
2014-01-17 cs.IT cs.NE math.IT
Heterogeneity in Neuronal Calcium Spike Trains based on Empirical Distance
神经元脉冲序列之间的统计相似性可以揭示复杂的潜在处理的重要信息。一般来说，同步脉冲序列之间的相似性比较容易识别。然而，类似的模式也可能以异步方式出现。然而，现有的方法，他们的识别往往收敛速度慢，不能适用于短序列。作为回应，我们提出了基于经验概率的Hellinger距离测量，我们证明它与现有技术一样准确，但合成和实验脉冲序列收敛速度更快。此外，我们聚类对神经元脉冲序列的统计相似性的基础上，发现两个不重叠的类，这可能表明在神经元的功能相似性。值得注意的是，我们的技术检测功能异质性对神经元响应与现有技术的性能相同，同时表现出更快的收敛。我们希望所提出的方法，以促进大规模的功能聚类研究，特别是涉及短序列，这反过来又会识别各种疾病的聚类模式的签名。
2021-03-13 eess.SP q-bio.NC
Spike Pattern Structure Influences Efficacy Variability under STDP and Synaptic Homeostasis
在神经系统中，突触可塑性通常由脉冲序列驱动。由于神经元、突触和网络的固有噪声，脉冲序列通常表现出空间异质性和时间随机性等外部不可控的变异性，导致突触的变异性，我们称之为效能变异性。具有相同群体率但诱导不同功效变异性的尖峰模式可能导致具有急剧不同的结构和功能的神经元网络。然而，脉冲序列的变异性如何影响疗效变异性仍不清楚。在这里，我们系统地研究了这种影响时，尖峰模式具有四个方面的统计特征，即同步发射，自动时间结构，异质性的利率和异质性的互相关，在尖峰定时依赖可塑性（STDP）后，动态绑定的平均强度的可塑性突触进入或出一个神经元（突触稳态）。然后，我们显示的功能的重要性，疗效变异的编码和维护的连接模式和早期发展的主要视觉系统驱动的视网膜波。我们期望我们的工作为理解神经系统功能过程中突触可塑性和动态锋电位模式之间的相互作用带来一个新的视角。
2015-06-17 q-bio.NC
A causal inference approach of monosynapses from spike trains
本文提出一种从脉冲序列推断成对单突触效应的严格因果推断框架，通过时间尺度分离识别因果交互并开发快速算法，同时结合动力系统模拟和光遗传学实验探讨生物物理参数与统计因果定义之间的联系及实验假设检验。
2024-05-05 q-bio.NC
Statistics of spikes trains, synaptic plasticity and Gibbs distributions
我们引入了一个数学框架，可以分析神经网络在突触可塑性下进化产生的尖峰列车的统计数据。
2008-10-22 cond-mat.stat-mech math-ph math.MP
SPIKY: A graphical user interface for monitoring spike train synchrony
用于记录大规模神经元尖峰活动的技术发展非常快。这导致对能够分析大量实验尖峰训练数据的算法的需求不断增加。其中最关键和要求最高的任务是识别具有非常高的时间分辨率和跨不同空间尺度的相似模式。为了解决这一问题，近年来提出了三种时间分辨的尖峰训练同步措施，ISI距离，SPIKE距离和事件同步。用于计算和可视化这些措施的Matlab源代码已公开提供。然而，由于结果的许多不同的可能表示，这些代码的使用是相当复杂的，它们的应用需要一些Matlab的基础知识。因此，希望提供一种更加用户友好和交互式的界面。在这里，我们解决这个问题，并提出SPIKY，一个图形用户界面，便于应用程序的时间分辨的措施，穗训练同步模拟和真实的数据。SPIKY包括ISI距离、SPIKE距离和SPIKE同步（事件同步的改进和简化扩展）的实现，这些实现在计算速度和内存需求方面进行了优化。它还包括一个尖峰训练发生器和一个事件检测器，使其能够分析连续数据。最后，SPIKY包包括其他补充程序，旨在分析大量数据集和估计显著性水平。
2015-04-15 cs.MS cs.SE physics.bio-ph
Bayesian Spike Train Inference via Non-Local Priors
Texas A&M University（德克萨斯农工大学）
针对从荧光轨迹推断神经元锋电位的问题，提出基于半非局部先验密度与点质量混合的贝叶斯方法，采用多处理器随机搜索，精度媲美L0方法且优于L1方法，还能自动量化推断不确定性。
2023-05-27 cs.LG q-bio.NC
Hearing the Maximum Entropy Potential of neuronal networks
我们考虑一个尖峰生成平稳马尔可夫过程的转移概率是已知的。我们表明，有一个正则势的吉布斯分布，从最大熵原理（MaxEnt），是这个过程的平衡分布。我们提供了一种方法来计算明确和准确地作为一个线性组合的时空相互作用的潜力。特别是，我们的研究结果建立了一个明确的最大熵模型和神经模拟模型之间的关系，用于脉冲序列统计。
2014-01-06 math-ph math.MP q-bio.NC
Spike-Train Responses of a Pair of Hodgkin-Huxley Neurons with Time-Delayed Couplings
对一对由周期性兴奋性-兴奋性时滞耦合的Hodgkin-Huxley（HH）神经元的棘波-串反应进行了模型计算。耦合的，可兴奋的HH神经元被假定为接收两种类型的尖峰序列输入：瞬态输入组成的$M$脉冲为有限的持续时间（$M$：整数）和连续输入与恒定的峰间期（ISI）。输出ISI的分布$T_{\rm o}$显示出丰富的变化，取决于耦合强度和时间延迟。的输出ISI的瞬态输入和顺序输入的依赖性之间的比较。
2000-12-04 cond-mat.dis-nn q-bio.NC
Supervised Learning with First-to-Spike Decoding in Multilayer Spiking Neural Networks
University of Surrey（萨里大学）；University of Applied Sciences Stralsund（施特拉尔松德应用技术大学）
实验研究支持大脑中基于尖峰的神经元信息处理的概念，神经回路表现出广泛的基于时间的编码策略，以快速有效地表示感官刺激。因此，将期望应用基于尖峰的计算来应对现实世界的挑战，并且特别地将这样的理论转移到用于低功率嵌入式应用的神经形态系统。出于这一动机，我们提出了一种新的监督学习方法，可以训练多层脉冲神经网络解决分类问题的基础上快速，第一次到尖峰解码策略。所提出的学习规则支持由随机隐藏神经元发射的多个尖峰，并且依赖于由确定性输出层生成的第一尖峰响应而稳定。除此之外，我们还探索了几种不同的，基于尖峰的编码策略，以形成所呈现的输入数据的紧凑表示。我们展示了应用于几个基准数据集，包括MNIST的学习规则的分类性能。学习规则能够从数据中概括，并且即使在使用包含很少输入和隐藏层神经元的约束网络架构时也是成功的。此外，我们强调了一种新的编码策略，称为“扫描线编码”，可以将图像数据转换成紧凑的时空模式，用于后续的网络处理。设计受约束但优化的网络结构并执行输入降维对神经形态应用有很强的影响。
2020-08-16 cs.LG cs.NE q-bio.NC
A Multivariate Point Process Model for Simultaneously Recorded Neural Spike Trains
神经生理学数据收集的当前最新技术允许同时记录数十到数百个神经元，对于这些神经元，点过程是适当的统计建模框架。然而，现有的点过程模型缺乏多变量的推广，这是灵活的和计算上容易处理。本文介绍了一个多变量的推广与复位的Samplam过程（SPR），一个点过程定制的模型个别神经尖峰列车。多变量SPR（MSPR）是生物学上合理的，因为它模拟了神经整合的过程。它灵活的依赖结构和快速的参数估计方法使其非常适合于分析同时记录的多个神经元的锋电位序列。通过模拟和实验数据的分析，证明了MSPR的优点和缺点。
2022-06-20 q-bio.NC stat.ME
Temporal correlations and neural spike train entropy
采样的考虑限制了神经生理数据的信息理论分析产生可靠结果的实验条件。我们开发了一个程序，用于计算完整的时间熵和信息的神经尖峰序列，它可靠地执行有限的数据样本的合奏。这种方法也产生洞察尖峰之间的相关性在时间编码机制的作用。该方法，当应用于记录从复杂的细胞的猴子初级视觉皮层，结果在较低的RMS误差信息估计相比，一个“蛮力”的方法。
2001-04-11 cond-mat.dis-nn physics.bio-ph q-bio.NC
Dynamics and spike trains statistics in conductance-based Integrate-and-Fire neural networks with chemical and electric synapses
我们研究了电突触（间隙连接）对集体神经元动力学和尖峰统计的影响，在一个基于电导的Integrate-and-Fire神经网络中，由布朗噪声驱动，电导取决于尖峰历史。我们明确计算的时间演化算子，并表明，给定的尖峰历史的网络和膜电位在给定的时间，进一步的动态演化可以写在一个封闭的形式。我们表明，尖峰训练统计描述的吉布斯分布，其潜力可以近似与一个明确的公式，当噪声是弱的。这种潜在的形式包括现有的尖峰序列统计分析模型，如最大熵模型或广义线性模型（GLM）。我们还讨论了不同类型的相关性：由共享刺激引起的相关性和由神经元相互作用引起的相关性。
2012-12-14 math-ph math.MP physics.bio-ph
