Dynamical criticality in the collective activity of a population of retinal neurons
最近基于多电极和成像技术的实验结果重新激发了大型神经网络在有序和无序之间的临界点附近运行的想法。然而，关键性的证据依赖于任意阶参数的定义，或不解决网络活动的动态性质的模型。在这里，我们介绍了一种新的方法来评估的关键性，克服了这些限制，同时涵盖和概括以前的标准。我们发现了一个简单的模型来描述大鼠视网膜中大量神经节细胞的全局活动，并表明它们的统计数据在临界点附近保持平衡。考虑到活动的时间动态大大增强了临界性的证据，揭示了以前的方法不会。该方法是通用的，可以用于其他生物网络。
2015-01-31 cond-mat.dis-nn cond-mat.stat-mech q-bio.NC
Closed-loop estimation of retinal network sensitivity reveals signature of efficient coding
根据有效编码理论，感觉系统适于以高保真度和最小的代谢成本来表示自然场景。测试这一假设的感觉结构进行非线性计算的高维刺激仍然是一个开放的挑战。在这里，我们开发了一种方法来表征视网膜网络对刺激扰动的敏感性。使用闭环实验，我们有选择地探索一个给定的刺激周围可能的扰动空间。然后，我们表明，这些小扰动的视网膜人口的反应可以描述一个局部线性模型。使用这个模型，我们计算了神经反应的敏感性，任意时间扰动的刺激，并发现了一个峰值的灵敏度作为扰动的频率的函数。基于感官处理的最小理论，我们认为，这个峰值是为了最大限度地提高信息传输。我们的方法是相关的测试有效的编码假设本地在任何情况下，没有可靠的编码模型是已知的。
2017-01-23 q-bio.NC
Theory of population coupling and applications to describe high order correlations in large populations of interacting neurons
为了了解神经元群体中的集体尖峰活动，揭示负责这些紧急功能状态的基本电路变量是至关重要的。本文对最近在小鼠和猴的视觉皮层研究中提出的群体耦合的平均场理论进行了发展，将单个神经元的活动与群体活动联系起来，并将原来的形式扩展到二阶，将神经元对的活动与群体活动联系起来，以解释神经元数据中观察到的高阶相关性。我测试的蝾螈视网膜数据和行为大鼠的皮层尖峰数据的计算框架。对于视网膜数据，原始形式的群体耦合及其高级形式可以分别解释两细胞相关性和三细胞相关性的显著部分。对于皮层数据，性能变得更好，二阶种群耦合揭示了局部皮层回路中的非局部效应。
2017-02-01 physics.bio-ph q-bio.NC
Optimal decoding of dynamic stimuli encoded by heterogeneous populations of spiking neurons - a closed form approximation
神经解码可以被公式化为基于点过程观测的动态状态估计（滤波），这是一个通常难以处理的问题。数值采样技术对于真实神经数据的解码通常是实用的。然而，它们作为建模和理解感觉神经系统的理论工具不太有用，因为它们导致对最佳编码和解码策略的概念性见解有限。我们认为感觉神经元群体的特点是分布在神经元参数。我们开发了一个易于分析的贝叶斯近似最佳过滤的观察尖峰活动的基础上，极大地方便了分析的最佳编码的情况下偏离统一编码的共同假设。连续分布被用来近似具有很少参数的大群体，导致滤波器的复杂性不随群体大小而增长，并且允许优化群体参数而不是个体调谐函数。与粒子滤波的数值比较证明了近似的质量。的分析框架导致的见解，这是很难获得的数值算法，并与生物学观察的感觉细胞的首选刺激的分布是一致的。
2019-01-14 q-bio.NC
Visual response properties of MSTd emerge from a sparse population code
内侧上颞区（MSTd）背侧亚区的神经元对视网膜血流的大而复杂的模式作出反应，这意味着在自我运动分析中的作用。一些神经元对观察者在环境中移动时发生的扩展径向运动（“航向”）具有选择性，计算模型可以解释这一发现。然而，大量证据表明，MSTd神经元可能对大视野运动刺激表现出连续的视觉反应选择性，但推导这些反应特性的基本计算原理仍然知之甚少。在这里，我们描述了一个计算模型的MSTd的基础上的假设，在MSTd中的神经元有效地编码的连续的大视野视网膜流模式的基础上，从MT中的神经元，与感受野，类似于恢复与非负矩阵分解（NMF）的基向量的输入。这些假设足以定量模拟MSTd细胞的神经生理反应特性，如径向，圆形和螺旋运动调谐，这表明这些特性可能只是MSTd神经元对其输入进行降维的副产品。在人口水平上，模型MSTd准确地预测航向使用稀疏分布式代码，与生物MSTd可能在稀疏制度下运行的想法一致，该稀疏制度非常适合于有效地编码一些自运动变量。目前的工作提供了一种替代的模板模型视图的MSTd，并提供了一个生物学上合理的帐户的感受野结构在广泛的视觉反应特性的MSTd。
2017-02-22 q-bio.NC
Decoding hand kinematics from population responses in sensorimotor cortex during grasping
手是一个复杂的效应器，包括数十个运动自由度，赋予我们灵活，精确和毫不费力地与物体交互的能力。初级运动皮层（M1）和体感皮层（SC）中与灵巧手运动相关的神经信号比与近端肢体控制相关的神经信号受到的关注相对较少。为了填补这一空白，我们训练了三只猴子抓住大小，形状和方向不同的物体，同时跟踪他们的手部姿势，并记录M1和SC的单单位活动。我们发现，我们可以用少量的神经信号准确地解码运动学，并且与近端肢体解码器相比，解码关节角度的性能高于解码关节角速度。我们的结论是，皮质信号可用于灵巧的手控制在脑机接口的应用程序，并在SC的姿势表示可利用通过皮质内刺激关闭的感觉运动回路。
2019-06-20 q-bio.NC
Randomly connected networks generate emergent selectivity and predict decoding properties of large populations of neurons
神经记录方法的进步使得在行为任务的执行过程中能够从数千个神经元的群体中进行采样，这提出了一个问题，即记录的活动如何与性能基础计算的理论模型相关。在啮齿类动物决策的背景下，最近报道了选择性皮层神经元之间的功能连接模式，以及兴奋性和抑制性群体中广泛分布的选择信息[1]。这些数据的直接解释表明，依赖于特定的解剖连接模式，以实现抑制性和兴奋性神经元的选择性池的机制。我们研究了一种替代机制，这些实验观察的出现，使用计算方法。我们发现，一个随机连接的兴奋性和抑制性神经元网络产生单细胞的选择性，成对相关的模式，和不可区分的兴奋性和抑制性读出权重分布，在记录的神经元群体中观察到的。此外，我们做了易于验证的实验预测，对于这种类型的证据积累任务，没有解剖学定义的代表选择的神经元亚群，并且特定神经元的选择偏好随着任务的细节而变化。这项工作表明，分布刺激的选择性和模式的功能组织的人口代码可能是新兴的随机连接网络的属性。
2019-09-23 q-bio.NC
Predictive information in a sensory population
引导行为需要大脑对未来的感官输入做出预测。在这里，我们表明，有效的预测计算开始在视觉系统的最早阶段。我们估计有多少信息组的视网膜神经节细胞进行有关他们的视觉输入的未来状态，并表明，我们可以观察到的每一个细胞参与一组细胞，这种预测信息是接近的物理限制设置的统计结构的输入本身。视网膜中的细胞群也携带有关其自身活动的未来状态的信息，我们表明，这些信息可以进一步压缩并由下游预测神经元编码，然后表现出有趣的特征选择性。预测信息的有效表示是可以应用于神经计算的每个阶段的候选原则。
2013-06-30 q-bio.NC
Transformation of stimulus correlations by the retina
感觉神经元反应中的冗余和相关性似乎浪费了神经资源，但可以携带有关结构化刺激的线索，并可能帮助大脑纠正反应错误。为了评估视网膜如何协商这种权衡，我们测量了神经节细胞群体的同时反应，这些神经节细胞群体呈现出在相关结构上差异很大的自然和人工刺激。我们发现，视网膜输出的成对相关性在具有广泛不同的时空相关性的刺激（包括白噪声和自然电影）之间保持相似。同时，纯粹的空间相关性往往会增加视网膜反应的相关性。对更多相关刺激的反应，神经节细胞具有更快的时间内核，并且往往具有更强的周围环境。单个细胞的这些特性，以及与神经节细胞输入的有效对比度变化相反的增益变化，在很大程度上解释了感受野测量可能的刺激之间的成对相关性的相似性。
2013-07-02 q-bio.NC
Decoding Spiking Mechanism with Dynamic Learning on Neuron Population
Shanghai Jiao Tong University（上海交通大学）
认知神经科学的一个主要关注点是解码显性神经脉冲序列观察结果并推断神经回路下的潜在表征。然而，传统的方法需要对网络结构有很强的先验知识，很难满足对真实锋电位数据的要求。在这里，我们提出了一种新的神经网络的方法，称为神经元激活网络，提取神经信息显式地从单个试验神经元群体脉冲序列。我们提出的方法包括一个时空的学习过程中的感觉环境和人口图的消息传递机制，其次是神经元激活过程中的递归方式。我们的模型旨在重建神经元信息，同时推断神经元尖峰状态的表示。我们将我们的模型应用于视网膜神经节细胞，实验结果表明，我们的模型具有更强大的能力，在产生神经尖峰序列与高保真度比国家的最先进的方法，以及更有表现力，并有潜力揭示潜在的尖峰机制。源代码将与最终论文一起发布。
2019-11-21 cs.LG cs.NE q-bio.NC
An introduction to time-resolved decoding analysis for M/EEG
人类大脑不断处理和整合信息，以便做出决策并与世界互动，从识别熟悉的面孔到打网球。这些复杂的认知过程需要大量神经元之间的通信。脑电图（EEG）和脑磁图（MEG）的非侵入性神经成像方法提供了具有毫秒级精度的神经活动的群体测量，使得我们能够研究认知过程的时间动力学。然而，多传感器的M/EEG数据是固有的高维，这使得它很难从噪声中解析出重要的信号。多变量模式分析（MVPA）或“解码”方法为理解高维M/EEG神经数据提供了巨大的潜力。MVPA可用于区分不同的条件，并绘制从基本感觉处理到高级认知过程的各种神经过程的时间过程。在这一章中，我们讨论了实际的方面进行解码分析的M/EEG数据以及该方法的局限性，然后我们讨论了一些应用程序，了解在人类大脑的表征动力学。
2019-05-13 q-bio.NC
Population Transformer: Learning Population-level Representations of Neural Activity
California Institute of Technology（加州理工学院）；MIT CSAIL, CBMM（麻省理工学院计算机科学与人工智能实验室、认知与脑科学中心）
提出自监督框架PopT，通过聚合稀疏电极通道学习群体级神经表征，降低解码数据需求并提升精度，支持多模态，可解释性强，已开源。
2025-03-28 cs.LG q-bio.NC
NLP4Neuro: Sequence-to-sequence learning for neural population decoding
Duke University（杜克大学）
本文提出 NLP4Neuro 框架，系统评估现成大语言模型从全脑神经群体解码行为，发现文本预训练权重和 DeepSeek Coder-7b 能显著提升解码准确率、长时程运动预测及可解释的神经元显著性读出。
2025-07-03 cs.LG q-bio.NC
Capturing cross-session neural population variability through self-supervised identification of consistent neuron ensembles
University of Edinburgh（爱丁堡大学）；Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）；Feinberg School of Medicine（范伯格医学院）；Northwestern（西北大学）
从记录的神经活动中解码刺激或行为是研究中询问大脑功能的常用方法，也是脑机接口和脑机接口的重要组成部分。甚至从小的神经群体进行可靠的解码也是可能的，因为高维神经元群体活动通常占据可用合适的潜在变量模型来表示的低维流形。然而，随着时间的推移，单个神经元的活动漂移和神经记录设备的不稳定性可能是相当大的，使得在数天和数周内稳定解码变得不切实际。虽然不能在单个神经元水平上预测这种漂移，但是当底层流形随时间稳定时，连续记录会话上的群体水平变化（诸如不同的神经元集合和记录数据中一致神经元的变化排列）可以是可学习的。跨会话对一致神经元与不熟悉神经元的分类以及说明在记录会话上记录数据集中的一致记录神经元的顺序的偏差然后可以维持解码性能。在这项工作中，我们证明了深度神经网络的自监督训练可以用来补偿这种会话间的变化。因此，顺序自动编码模型可以在未来几天内为完全不可见的记录会话保持最先进的行为解码性能。我们的方法只需要一个单一的记录会话来训练模型，并且是迈向可靠的，无需重新校准的脑机接口的一步。
2023-01-05 cs.LG q-bio.NC
Disambiguating the role of noise correlations when decoding neural populations together
神经解码中最有争议的问题之一是量化在最佳大脑计算过程中忽略噪声相关性所导致的信息损失。十多年来，人们一直认为这里称为$ ΔI^{DL} $的度量是精确的。然而，我们最近表明，它可以超过信息损失$ ΔI^{B} $所造成的最佳解码器忽略噪声相关性。不幸的是，作为$ ΔI^{DL} $和$ ΔI^{B} $基础的不同信息概念，以及$ ΔI^{DL} $假定的严格的信息理论推导，都使得这些发现是否表明$ ΔI^{DL} $中的缺陷或信息与解码之间的传统关系的重大偏离变得不清楚。在这里，我们解决这个悖论，并证明，在某些条件下，观察$ ΔI^{DL} {>}ΔI^{B} $意味着$ ΔI^{DL} $是有缺陷的。受此分析的启发，我们使用传输独立信息的神经元群体来测试这两种措施。我们的研究结果表明，$ ΔI^{DL} $可能认为噪声相关性更重要的解码人口在一起时，比解码时，他们在并行，而相反的情况可能会发生$ ΔI^{B} $。对于$ ΔI^{B} $，我们将这些现象追溯到平局打破规则的选择，而对于$ ΔI^{DL} $，追溯到其信息理论基础中不可预见的限制。我们的研究有助于更好的估计，可能会改善目前从$ ΔI^{DL} $得出的理论和实验推论，而没有注意到它可能构成一个上限。在实践方面，我们的研究结果促进了最佳解码算法和神经假体的设计，而无需记录噪声相关性，从而节省了实验和计算资源。
2017-01-13 cs.IT math.IT q-bio.NC
Decoding of neural data using cohomological feature extraction
我们介绍了一种新的数据驱动的方法来发现和解码功能的神经代码来自大人口的神经记录与最小的假设，使用同调特征提取。我们将我们的方法应用于小鼠在盒子中自由移动的神经记录，在那里我们发现了一个圆形特征。然后，我们观察到解码值很好地对应于鼠标的头部方向。因此，我们捕获头部方向细胞并从神经元群体活动解码头部方向，而不必处理小鼠的行为。有趣的是，解码后的值比跟踪的头部方向传达了更多关于神经活动的信息，其中差异具有一些空间组织。最后，我们注意到，剩余的人口活动，头的方向已占后，保留了一些低维结构，这是与鼠标的速度。
2018-09-10 math.AT q-bio.NC
SPINT: Spatial Permutation-Invariant Neural Transformer for Consistent Intracortical Motor Decoding
University of Washington（华盛顿大学）；University of California, Los Angeles（加州大学洛杉矶分校）；Tsinghua University（清华大学）；Allen Institute（艾伦研究所）
针对长期皮层内脑机接口中神经记录非平稳性导致的跨会话泛化难题，提出空间置换不变神经Transformer框架（SPINT），通过上下文相关位置嵌入和动态通道丢弃技术，实现无需测试时对齐与微调的鲁棒跨会话运动解码。
2025-07-11 cs.LG q-bio.NC
A Unified, Scalable Framework for Neural Population Decoding
Georgia Tech（佐治亚理工学院）；Mila（米拉研究所）；Université de Montréal（蒙特利尔大学）；McGill University（麦吉尔大学）
提出一种统一可扩展的神经群体解码框架，通过脉冲分词与 PerceiverIO 架构构建大规模多会话预训练模型，实现对未见神经记录的快速少样本适应。
2023-10-24 cs.LG q-bio.NC
Hyperbolic Neural Population Geometry Benefits Computation
University of California, Berkeley（加州大学伯克利分校）
本文提出海马体群体活动诱导双曲几何的理论框架，证明现代Hopfield网络更新规则计算最小均方误差估计，并引入双曲空间中的新联想记忆模型，其容量显著优于现有模型。
2026-06-08 cs.AI q-bio.NC
Limits of optimal decoding under synaptic coarse-tuning
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
研究探讨了突触粗调对信息传递的影响，发现强粗调下最优解码器与朴素解码器性能相似，突触波动限制了有效读取至低维流形。
2026-02-25 physics.bio-ph q-bio.NC
Learning to make external sensory stimulus predictions using internal correlations in populations of neurons
为了弥补感官处理延迟，视觉系统必须做出预测，以确保及时和适当的行为。最近的研究发现，从视网膜开始，在视觉处理的早期，神经元群体中存在关于刺激的预测信息。然而，为了利用这些信息，下游细胞必须能够从视网膜神经节细胞的尖峰活动中读出预测信息。在这里，我们调查是否下游细胞可以学习有效的编码的预测信息在其输入中的其他指导性信号的情况下，从输入本身的相关性。我们模拟由蝾螈视网膜中记录的尖峰活动驱动的学习。我们将下游细胞建模为接收一小组加权输入的二进制神经元，并量化二进制神经元中的活动与未来输入之间的预测信息。在训练期间，输入权重根据尖峰时间相关的学习规则而变化。我们的特点下学习的读数尖峰时间依赖的学习规则，发现，虽然不动点的学习动力学与绝对的最佳读数，他们传达了几乎所有的信息传达的最佳读数。此外，我们发现，学习感知器传输的位置和速度信息的移动酒吧刺激几乎有效的最佳感知器。我们的结论是，预测信息是，原则上，可读的下游神经元的角度在没有其他输入，因此表明，自下而上的预测可能在感觉处理中发挥重要作用。
2017-06-26 q-bio.NC
Leveraging unlabelled data for generalizable neural population decoding
研究利用未标记数据进行可泛化神经群体解码的问题，提出MOJO训练框架，联合自监督学习与监督学习目标，在多数据集上评估，结果显示该框架能提升性能、产生更具可解释性表示且可推广到其他神经模态。
2026-07-16 cs.LG q-bio.NC
Stimulus-dependent maximum entropy models of neural population codes
神经元群体以集体的方式，通过尖峰和沉默的联合活动模式，对关于其刺激的信息进行编码。从刺激到神经活动的这种映射的充分考虑由给定感觉输入的神经码字上的条件概率分布给出。为了能够从大规模的神经记录中推断出这种分布的模型，我们引入了一个刺激依赖的最大熵（SDME）模型-一个单神经元的典型线性-非线性模型的最小扩展，到一个成对耦合的神经元群体。该模型能够捕获单细胞响应特性以及由于共享刺激和由于有效的神经元到神经元连接而引起的神经尖峰的相关性。在这里，我们表明，在100视网膜神经节细胞的蝾螈视网膜响应时间白噪声刺激的人口，细胞之间的依赖性发挥了重要的编码作用。其结果是，SDME模型给出了一个更准确的帐户的单细胞的反应，特别是在再现响应于刺激发射的码字的分布优于非耦合模型。我们展示了如何SDME模型，结合静态最大熵模型的人口词汇，可以用来估计信息理论的数量，如惊喜和信息传输的神经元群体。
2012-05-29 physics.bio-ph q-bio.NC
Optogenetic vision restoration with high resolution
大多数遗传性视网膜变性是由于感光细胞死亡。在许多情况下，神经节细胞被保留下来，从而可以刺激它们恢复视觉功能。几项研究（Bi等人，2006; Lin等人，2008; Sengupta等人，2016; Caporale等人，2011; Berry等人，2017）已经表明，有可能在神经节细胞中表达光遗传蛋白并使它们对光敏感。这是恢复视力的一种有前景的策略，因为光学靶向可能比使用视网膜假体的电刺激更精确。然而，光遗传学重新激活的视网膜的空间分辨率还没有用细粒度的刺激模式测量。由于光遗传学蛋白也在轴突中表达，因此尚不清楚这些神经元是否仅对覆盖其胞体和树突的小区域的刺激敏感，或者它们是否也会对与其轴突重叠的任何刺激做出反应，从而显着损害空间分辨率。在这里，我们记录了小鼠和猕猴视网膜在体内光遗传学治疗后对随机棋盘图案的反应。我们表明，光遗传学激活的神经节细胞是每个敏感的视觉空间的一个小区域。基于这个小感受野的简单模型准确地预测了他们对复杂刺激的反应。从这个模型中，我们模拟了整个光敏神经节细胞群体如何对不同大小的字母做出反应。然后，我们估计了患者期望的最大敏锐度，假设它可以最佳地利用这个重新激活的视网膜所传递的信息。所获得的视力高于法定盲限。这种高空间分辨率是未来临床研究的一个有希望的结果。
2018-11-16 q-bio.NC
Implicit Behavioral Decoding from Next-Step Spike Forecasts at Population Scale
Department of Electrical and Computer Engineering, University of California, Santa Cruz, CA, USA（加州大学圣克ruz分校电气与计算机工程系）；UC Santa Cruz Genomics Institute, University of California, Santa Cruz, CA, USA（加州大学圣克ruz分校基因组研究所）；Department of Biomolecular Engineering, University of California, Santa Cruz, CA, USA（加州大学圣克ruz分校生物分子工程系）；Department of Applied Mathematics, University of California, Santa Cruz, CA, USA（加州大学圣克ruz分校应用数学系）；Department of Computer Science and Engineering, University of California, Santa Cruz, CA, USA（加州大学圣克ruz分校计算机科学与工程系）
本文提出利用单个Mamba预测器在一次前向传递中实现神经群体活动预测和动物行为状态解码，通过轻量级线性头在匹配时间上下文中优于原始尖峰计数解码，验证了在Steinmetz视觉辨别基准上的有效性。
2026-05-13 cs.LG q-bio.NC
Decoding Dynamic Visual Experience from Calcium Imaging via Cell-Pattern-Aware Pretraining
Interdisciplinary Program in Artificial Intelligence（人工智能跨学科项目）；Seoul National University（首尔国立大学）；NSF AI Institute for Artificial and Natural Intelligence (ARNI)（国家科学基金会人工智能与自然智能研究院）；Columbia University（哥伦比亚大学）；Mila (Quebec AI Institute)（蒙特利尔人工智能研究所）；Dept. of Neurology & Neurosurgery（神经病学与神经外科系）；McGill University（麦吉尔大学）；Montreal Neurological Institute, McGill University（麦吉尔大学蒙特利尔神经科学研究所）；School of Computer Science, McGill University（麦吉尔大学计算机科学学院）；Learning in Machines and Brains Program, CIFAR（机器与大脑学习计划，CIFAR）；Department of Psychology（心理学系）；Department of Brain and Cognitive Sciences（脑与认知科学系）
本文提出POYO-CAP方法，通过预训练提升神经解码鲁棒性，实验证明其在Allen脑观察数据集上比从头训练有12-13%的提升，并实现模型规模的平稳扩展。
2026-05-08 cs.LG q-bio.NC
The effect of neural adaptation of population coding accuracy
初级视觉皮层中的大多数神经元最初在出现偏好刺激时反应强烈，但随着刺激的继续而适应。适应的功能后果尚不清楚。通常，发射率的降低会降低单个神经元的准确性，因为较少的尖峰可用于解码，但已经提出，在群体水平上，自适应提高了编码准确性。这个问题需要仔细分析，因为适应不仅会改变神经元的放电率，还会改变神经元之间的变异性和相关性，这也会影响编码的准确性。我们计算的编码精度使用的计算模型，实现两种形式的适应：尖峰频率适应和突触适应的形式，短期突触可塑性。我们发现，适应的净效应是微妙的和异质的。根据适应机制和测试刺激，适应可以增加或减少编码准确性。我们讨论了神经生理学和心理物理学的影响的研究结果，并将其与已发表的实验数据。
2011-03-14 q-bio.NC
An uncertainty principle for neural coding: Conjugate representations of position and velocity are mapped onto firing rates and co-firing rates of neural spike trains
海马系统包含的神经群编码动物的位置和速度，因为它通过空间导航。在这里，我们表明，这样的人群可以嵌入两个代码在其尖峰列车：一个发射率代码（R）传达的细胞内的尖峰时间间隔，和共同发射率代码（R '）传达的细胞间的尖峰时间间隔。这两个代码表现为彼此的共轭，遵守物理学中的不确定性原理的模拟：R中传递的信息以R '中的信息为代价，反之亦然。当尖峰序列编码一对共辄变量（诸如位置和速度）时，这种权衡的例外发生，其不竞争R和R '上的容量。为了说明这一点，我们描述了两种生物启发的方法，用于解码R和R '，分别称为西格玛和西格玛-卡解码。头部方向（HD）和网格细胞的模拟表明，如果发射率调整位置（但不是速度），那么位置是由西格玛解码恢复，而速度是由西格玛-卡解码恢复。相反，θ调制的“速度细胞”之间的振荡干扰的模拟表明，如果共激发率针对位置（而不是速度）进行调谐，则通过sigma-chi解码恢复位置，而通过sigma解码恢复速度。在这两个极端之间，关于这两个变量的信息可以分布在两个通道上，并由两个解码器部分恢复。这些结果表明，具有不同的空间和时间调谐特性的神经元（例如速度与网格细胞）可能不会编码不同的信息，而是以不同的方式在R和R '上分布类似的位置和速度信息。
2019-12-23 cs.NE q-bio.NC
Topological decoding of grid cell activity via path lifting to covering spaces
Wesleyan University（卫斯理安大学）；Swarthmore College（斯沃斯莫尔学院）
研究大脑如何利用环形流形理解空间环境的问题，提出用拓扑数据分析和路径提升从网格细胞活动解码空间信息的方法，经模拟和实验验证，能从单个网格细胞模块重建轨迹，为空间导航提供潜在机制。
2026-07-10 math.AT q-bio.NC
An information theoretic approach to the functional classification of neurons
一群神经元通常对感觉输入表现出广泛的多样性反应。功能分类的直观概念是，细胞可以聚集在一起，这样大部分的多样性就被捕获在集群的身份中，而不是集群中的个体。我们展示了如何使用信息论来精确地做出这种直觉，而不需要在刺激或反应的空间上引入度量。应用于蝾螈的视网膜神经节细胞，这种方法恢复了经典的结果，但也提供了明确的证据，超出了以前确定的子类。此外，我们发现每个神经节细胞在功能上都是独特的，即使在同一亚类中，也只需要几个棘波就可以可靠地区分细胞。
2002-12-31 physics.bio-ph physics.data-an q-bio.NC
