A Hippocampus Model for Online One-Shot Storage of Pattern Sequences
Ruhr Universität Bochum(波鸿鲁尔大学)
我们提出了一个计算模型的基础上的CRISP理论(内容表示,内在序列和模式完成)的海马,允许连续存储模式序列在线一次拍摄的方式。CA 3不是将序列存储在CA 3中,而是提供与输入序列异源关联的预训练序列,这允许系统执行一次性学习。因此,短时间尺度上的可塑性只发生在CA 3的传入和传出连接中。存储的序列可以稍后从单个提示模式中调用。我们确定子区域DG进行的模式分离是必要的存储序列,包含相关的模式。该模型的一个设计原则是,我们使用一个单一的学习规则命名为Hebbiand-escent训练系统的所有部分。赫布血统有一个固有的遗忘机制,允许系统不断记住新的模式,同时忘记早期存储的模式。该模型显示了一个合理的行为时,提出了嘈杂的和新的模式,并具有相当高的容量约40%的神经元在CA 3的数量。我们的模型的一个显着的属性是,它是能够“自举”(改善)本身没有外部输入的过程中,我们称之为“梦想”。除了人工生成的输入序列,我们还表明,该模型与编码的手写数字或自然图像序列。据我们所知,这是海马体的第一个模型,它允许以一次性方式在线存储相关的模式序列,而无需巩固过程,稍后可以立即回忆起来。
2019-05-30 cs.LG cs.NE q-bio.NC
Statistical Analysis on Brain Surfaces
在本文中,我们回顾了广泛使用的统计分析框架,定义沿皮质和皮质下表面,在过去的二十年中已经开发的数据。大脑皮层的拓扑结构是一个2D高度卷曲的薄片。对于沿弯曲非欧几里德表面获得的数据,传统的统计分析和基于欧几里德度量结构的平滑技术是低效的。为了提高信噪比(SNR)和提高分析的灵敏度,有必要平滑噪声表面数据。然而,这需要平滑曲线皮质流形上的数据,并根据沿表面的测地线距离分配平滑权重。因此,许多皮质表面数据分析框架本质上是微分几何的。平滑的表面数据,然后被视为光滑的随机场和统计推断,可以在基思沃斯利的随机场理论。本文所描述的方法说明与海马表面数据集。通过本研究,我们将详细地确定家庭收入对儿童海马生长是否有影响。共有124名儿童,其中82人在两年后重复磁共振成像(MRI)。
2022-03-13 q-bio.NC
Neurogenesis and multiple plasticity mechanisms enhance associative memory retrieval in a spiking network model of the hippocampus
海马CA 3对长期联想记忆的形成至关重要。它有一个严重的经常性连接,记忆被认为是存储在CA 3的记忆痕迹。然而,尽管它对记忆存储和检索的重要性,迄今为止,CA 3的尖峰网络模型规模相对较小,并且仅作为概念验证模型存在。具体来说,齿状回的神经发生如何影响CA 3的记忆编码和提取没有在这样的尖峰模型中研究。我们的工作是第一个开发一个生物学上合理的尖峰神经网络模型海马记忆编码和检索,至少一个数量级的神经元比以前的模型。这也是首次研究神经发生对CA 3记忆编码和提取的影响。使用这样的模型,我们首先表明,最近开发的可塑性模型是至关重要的良好的编码和检索。接下来,我们将展示如何神经特性相关的神经发生和神经元死亡增强存储和检索的联想记忆在CA 3。特别是,我们表明,没有神经发生,越来越多的CA 3神经元被招募的每一个新的记忆刺激,导致相应的增加,抑制和记忆检索差,因为更多的记忆被编码。另一方面,神经发生维持每次刺激招募的CA 3神经元的数量,并且能够检索最近的记忆,同时忘记旧的记忆。我们的模型表明,结构可塑性(由神经发生和细胞凋亡提供)是需要在海马记忆编码和检索时,网络过载;突触可塑性本身是不够的。上述结果是在不同塑性模型和网络参数下进行的详尽研究中得到的。
2017-04-25 q-bio.NC
A Computational Model of Systems Memory Consolidation and Reconsolidation
在哺乳动物的大脑中,新获得的记忆依赖于海马体的维护和回忆,但随着时间的推移,新皮层接管了这些功能,使记忆不依赖于海马体。负责这种转换的过程称为系统内存整合。然而,重新激活一个整合良好的记忆可以触发暂时返回到一个依赖于校园的状态,这种现象被称为系统记忆重新整合。系统记忆巩固和再巩固的神经机制还没有很好的理解。在这里,我们提出了一个神经模型的基础上有据可查的机制突触可塑性和稳定性,并描述了一个计算实现,证明了该模型的能力,占一系列的研究结果,从系统的巩固和再巩固的文献。我们从计算模型中得出几个预测,并建议实验,可以测试其有效性。
2019-09-27 q-bio.NC
Topological schemas of cognitive maps and spatial learning in the hippocampus
哺乳动物的空间导航是建立在对环境的心理表征--认知地图的基础上的。然而,这种认知地图的性质及其在神经结构和活动中的基础仍然模糊。一个关键的困难是,这些地图是集体的,涌现的现象,不能简化为单个神经元提供的输入的简单组合。在本文中,我们提出了计算框架整合到一个空间地图,我们称之为模式的单个细胞的尖峰信号。我们提供了四个模式的例子定义的不同类型的拓扑关系,可能是神经生理编码在大脑中,并证明每个模式提供了自己的大规模的环境特征-模式积分。此外,我们发现,在所有情况下,这些积分的学习速度比神经网络的完整训练速度更快。因此,建议的图式框架区分空间学习的认知方面和生理方面的神经网络水平。
2016-03-20 q-bio.NC
Improving the Izhikevich Model Based on Rat Basolateral Amygdala and Hippocampus Neurons, and Recognizing Their Possible Firing Patterns
介绍-识别在正常和异常条件下不同大脑区域的潜在放电模式增加了我们对大脑中神经相互作用水平上事件的理解。Izhikevich模型是最简单的生物学上合理的模型之一,即能够捕获最公认的神经元放电模式。这一特性使得该模型在模拟大规模神经元网络时非常有效。改进Izhikevich模型以适应大鼠大脑的神经元活动,具有很高的精度,将使该模型有效地用于未来的神经网络实现。方法:采用细胞外记录法对雄性大鼠的两个脑区(HIP和BLA)进行数据采集,并采用Plexon离线分类器进行锋电位分类。通过NeuroExplorer和MATLAB进行进一步分析。采用遗传算法对Izhikevich模型参数进行优化。每次迭代中的比较过程导致更好的种群生存,直到获得最优解。结果-在本研究中,可能的放电模式的真正的单神经元的HIP和BLA的确定。此外,改进的Izhikevich模型。因此,这些区域神经元的真实神经元尖峰模式和Izhikevich神经元尖峰模式的对应情况被非常精确地调整。结论-进行这项研究是为了提高我们对大脑不同结构中神经相互作用的认识,加快未来大规模神经网络模拟的质量,并降低建模复杂性。这一目标是可以实现的,通过执行改进的Izhikevich模型,只插入合理的射击模式,并消除不切实际的。
2021-03-06 cs.NE q-bio.NC
A Global Data-Driven Model for The Hippocampus and Nucleus Accumbens of Rat From The Local Field Potential Recordings (LFP)
K. N. Toosi University of Technology(柯尼托西大学);Shahid Beheshti University of Medical Sciences(沙希德贝赫什提医科大学);Neuroscience Research Center(神经科学研究中心)
本文利用大鼠伏隔核与海马在吗啡及天然食物奖励前后的LFP记录,比较五种机器学习方法,构建由LoLiMoT实现的单一全局预测模型,并发现两类奖励均不改变相关神经元动态特征。
2024-05-10 cs.LG q-bio.NC
Functional brain network architecture supporting the learning of social networks in humans
大多数人都有幸生活在结构丰富的社会群体中。然而,目前尚不清楚人类如何获得有关这些社会结构的知识,以成功地驾驭社会关系。在这里,我们利用网络科学和统计学习的最新进展,通过跨学科的神经成像研究来解决这一知识差距。具体来说,我们收集了BOLD MRI数据,同时参与者学习了社交和非社交网络的社区结构,以检查这两种类型的网络的学习是否与功能性大脑网络拓扑结构有差异。从这两个任务中的行为数据,我们发现,学习者对网络的社区结构很敏感,这一点可以从集群之间过渡的试验的反应时间比集群内过渡的试验的反应时间慢得到证明。从社会网络学习任务期间收集的神经影像学数据,我们观察到,海马和颞顶连接的功能连接是显着更大的集群之间的过渡时,比在一个集群内过渡。此外,颞顶区的默认模式更强烈地连接到海马体,somatomotor,和视觉区域在社会任务比在非社会任务。总的来说,我们的研究结果确定了社会与非社会网络学习的神经生理学基础,扩展了我们对社会背景对学习过程的影响的认识。更广泛地说,这项工作提供了一种实证方法来研究社会网络结构的学习,这可以卓有成效地扩展到其他参与者群体,各种图形架构,以及在未来的研究中的社会背景的多样性。
2019-04-20 q-bio.NC
An algebraic approach to spike-time neural codes in the hippocampus
虽然通过尖峰时间模式的时间编码一直是神经科学的兴趣,可能是有用的尖峰时间代码的具体结构仍然非常不清楚。在这里,我们介绍了一种新的分析方法,使用离散数学的技术,研究尖峰时间码。我们专注于啮齿动物海马中的“相位进动”现象。在物理轨道上的导航和学习过程中,啮齿动物大脑中的特定细胞形成了相对于当地种群活动振荡的高度结构化模式。相位进动的研究主要集中在它在突触可塑性和记忆形成中的作用。相对较少的注意力已经支付给一个事实,即相位进动是一个尖峰时间神经代码的最佳候选人之一。这一准则的确切性质仍然是一个悬而未决的问题。在这里,我们推导出一个解析表达式的运营商映射点在物理空间中,通过个人的尖峰时间,复数。该算子的性质突出了海马棘波模式中过去和未来之间的特定关系。重要的是,这种方法超越了这里研究的特定现象,提供了一种新的技术来研究感觉编码和运动行为过程中发现的尖峰时间序列内的神经代码。然后,我们介绍了一种新的基于尖峰的解码算法,基于这个运营商,成功地解码模拟动物的轨迹只使用动物的初始位置和模式的尖峰时间。该解码器对尖峰时间中的噪声是鲁棒的,并且工作在比通常使用的工作在平均激发速率上的解码器短几乎一个数量级的时间尺度上。这些结果说明了一个离散的方法,在尖峰模式的对称性的基础上,提供洞察神经系统的结构和功能的实用程序。
2022-11-12 q-bio.NC
Hippocampal representations emerge when training recurrent neural networks on a memory dependent maze navigation task
神经网络能否通过结合生物体当前状态与未来行为后果之间的关系,使用与大脑类似的策略来学习目标导向行为?最近的研究表明,在基于目标的任务上训练的循环神经网络可以发展出类似于大脑中发现的表征,例如内嗅皮层网格细胞。在这里,我们探讨其内部表征的动态演变,并与实验数据进行比较。我们观察到,一旦一个循环网络被训练成仅仅基于感觉预测来学习其环境的结构,一个基于吸引子的景观在网络的表示中形成,它在结构和功能上与海马位置细胞平行。接下来,我们扩展了预测目标,包括Q学习的奖励任务,奖励行动是依赖于延迟的线索调制。在啮齿类动物执行相同任务时,海马体记录的实验结果令人惊叹,这种训练模式导致非局部神经活动在决策点的空间中向前扫描,预测未来通往奖励位置的路径。此外,普遍选择和线索选择神经元在这个网络中形成,再次概括了实验结果。总之,这些结果表明,将环境结构的预测性、无监督学习与强化学习相结合,可以帮助理解包含空间和任务相关信息的类校园表征的形成。
2021-01-20 q-bio.NC
A Coupled Neural Field Model for the Standard Consolidation Theory
该研究构建耦合神经场模型,纳入成年神经发生、距离依赖突触可塑性、突触抑制和脉冲频率适应,解释海马体快速短期记忆与新皮层缓慢长期巩固的机制。
2024-04-03 q-bio.NC
A Neural Network Model of the Entorhinal Cortex and Hippocampus for Event-order Memory Processing
本文提出模拟内嗅皮层与海马的异联想神经网络,将奖励相关事件序列临时存储并在获得奖励时巩固,通过心理旅行顺序回忆路线,从而在八字形迷宫中定位奖励并支持机器人自主导航。
2021-11-20 q-bio.NC
A Review on understanding Brain, and Memory Retention and Recall Processes using EEG and fMRI techniques
人类记忆--学习新信息涉及到专门用于存储信息的神经元之间突触水平的变化。一般来说,记忆分为长期记忆和短期记忆。各种类型的记忆及其障碍被广泛研究使用神经成像技术,如脑电图(EEG)和功能性磁共振成像(fMRI)。大脑有效地被学习、记忆和回忆的能力占据。参与记忆回忆任务的大脑区域(前额叶皮层,相关的海马皮层及其与其他脑叶的相互作用)专注于理解记忆保持和回忆过程。然而,由于大脑机制的高度复杂性和动态性,信息可能驻留的特定区域尚未完全探索。在这篇研究论文中,最近的记忆文献使用脑电图和功能磁共振成像研究进行了审查,以了解记忆保持和回忆过程,以及与这些过程相关的各种大脑区域。一些刺激,这是在以前的研究报告进行了评估和讨论。此外,EEG和fMRI方法的研究人员所面临的挑战也提出。最后对未来记忆保持和回忆的研究提出了建议。
2019-04-30 q-bio.NC
Robust spatial memory maps encoded in networks with transient connections
哺乳动物海马主细胞的尖峰活动编码了一个内化的周围空间的神经元表征--认知地图。一旦学会,这种地图使动物能够在给定的环境中长时间导航。然而,产生这种映射的神经元基质仍然是短暂的:海马体和下游神经元网络中的突触连接从未停止形成,并以快速的速度恶化。大脑如何使用不断改变其架构的网络来保持对空间的鲁棒、可靠的表示?在这里,我们证明,使用新的代数拓扑技术,认知地图的稳定性是一个通用的,新兴的现象。该模型允许评估由特定生理参数产生的效果,例如,连接衰减时间的分布,对认知地图整体性质的影响。同时指出,由于突触连接的减弱或过度丧失而引起的空间记忆衰退,可以通过模拟神经元的活动而得到补偿。最后,该模型明确了功能的重要性,通过建立三个互补的时间尺度,空间信息展开的空间信息处理系统在不同层次的时空粒度。因此,该模型提供了一个主要的洞察力,大脑如何发展一个可靠的表示世界,学习和保留记忆,尽管复杂的可塑性的基础网络,并允许研究如何不稳定性和记忆退化机制可能会影响学习过程。
2017-10-07 q-bio.NC
Hebbian imprinting and retrieval in oscillatory neural networks
我们介绍了一个模型的广义赫布学习和检索的振荡神经网络建模皮层区域,如海马和嗅觉皮层。最近的实验表明,突触可塑性依赖于发放时间,特别是来自海马、感觉和小脑皮层的兴奋性锥体细胞的突触。在这里,我们研究如何利用这种可塑性来形成记忆和输入表示时,神经动力学是振荡的,这是常见的大脑(特别是在海马体和嗅觉皮层)。学习被假设发生在神经可塑性的阶段,其中网络被钳位到外部教学信号。在学习过程中,通过适当地操纵神经元的非线性或振荡频率,可以在检索阶段对新输入进行分类,或者以连续的方式将它们映射到印记模式所跨越的空间上。我们确定了这些可能性的嗅觉皮层的功能,第二个与观察到的反应特性的位置细胞在海马。我们研究这两种网络的分析和计算机模拟,我们链接的模型与实验结果,探索,特别是,如何尖峰时间依赖的突触可塑性约束的网络的计算功能,反之亦然。
2001-11-02 cond-mat.dis-nn q-bio.NC
Has the Brain Maximized its Information Storage Capacity?
学习和记忆可能依赖于神经元回路通过树突棘重塑进行重组的能力。我们一直在寻找皮层电路的几何参数,最大限度地提高与此机制相关的信息存储容量。特别是,我们计算了各种神经元成分的最佳体积分数。最佳的轴突和树突的体积分数是没有显着不同的小鼠和大鼠新皮层,大鼠海马解剖测量。这使我们提出,与树突棘重塑相关的信息存储容量的最大化可能是皮层进化的重要驱动力。
2003-07-11 cond-mat.soft physics.bio-ph physics.gen-ph
Approximate Hubel-Wiesel Modules and the Data Structures of Neural Computation
本文描述了一个框架,用于建模的感知和记忆之间的接口的算法级的分析。这与许多不同大脑区域的现象相一致。这些包括视觉心理物理学和颞下皮层生理学中的视角依赖(和不变性)效应,以及与内侧颞叶相关的情景记忆回忆干扰效应。在这里开发的角度依赖于一个新的解释Hubel和Wielton的猜想如何感受野调谐到复杂的对象,和不变的细节,可以实现。它补充了现有的新皮层和海马体中的双速学习系统(例如,McClelland et al. 1995),同时显著扩展了其范围,以涵盖从V1到海马的整个通路的统一视图。
2015-12-28 cs.NE q-bio.NC
Can the brain use waves to solve planning problems?
各种行为,如空间导航或身体运动,可以通过认知地图制定为图遍历问题。我们提出了一个神经网络模型,它可以解决这样的任务,是兼容的哺乳动物新皮层和海马体的经验发现范围广泛。模型中的神经元和突触连接表示可以通过赫布学习自组织成认知地图的结构,即形成一个图,其中每个神经元表示某个抽象任务相关流形的一个点,而循环连接对距离进行编码流形上的度量。图遍历问题是通过波浪状的激活模式来解决的,这些激活模式穿过递归网络,并将局部化的活动峰值引导到从某个起始位置到目标状态的路径上。
2021-10-11 cs.NE q-bio.NC
Rapid, parallel path planning by propagating wavefronts of spiking neural activity
高效的路径规划和导航对于动物、机器人、物流和运输至关重要。我们研究了一个模型,在该模型中,空间导航问题可以迅速解决在大脑中的并行精神探索的替代路线,使用传播波的神经活动。一波尖峰活动通过一个类似于神经网络的网络传播,改变了突触的连通性。由此产生的突触变化的矢量场然后引导模拟动物到适当的选定目标位置。我们证明,导航问题可以解决使用现实的,本地突触可塑性规则,在一个单一的通过波前。我们的模型可以为竞争可能的目标找到最佳解决方案,或者在多种环境中学习和导航。该模型提供了一个假设的最佳路径规划在大脑中的可能的计算机制,在同一时间,它是有用的神经形态实现,这里提出的并行信息处理可以充分利用在硬件中。
2012-05-02 q-bio.NC
Multifunctional fiber-based optoacoustic emitter for non-genetic bidirectional neural communication
具有“写”和“读”功能的双向脑接口可以是神经系统疾病的基础研究和潜在临床治疗的重要工具。在这里,我们报告了一个小型化的多功能光纤为基础的光声发射器(mFOE),第一次集成了同时非遗传光声刺激的“写”和电生理记录的神经回路的“读”。非遗传特征解决了灵长类动物和人类中光遗传学所需的病毒转染的挑战。光声波与电场的正交性为避免电刺激与记录之间的干扰提供了一种解决方案。我们首先使用钙成像验证了mFOE在大鼠培养神经元中的非遗传刺激功能。在小鼠海马中,在长达1个月的急性和慢性应用中证实了mFOE用于成功同时光声刺激和脑活动电记录的体内应用。在这些应用之后,已经证实了最小的脑组织损伤。mFOE实现的非遗传神经刺激和记录能力为神经回路的研究开辟了新的可能性,并为超声神经刺激的研究带来了新的见解。
2023-01-09 q-bio.NC
Could a Computer Architect Understand our Brain?
本研究借鉴计算机架构师设计机器学习加速器的思路,提出涵盖哺乳动物大脑多脑区的推测性模型,为多种认知现象提供解释,有望填补神经科学研究空白。
2024-05-21 q-bio.NC
Balanced Information Storage and Transfer in Modular Spiking Neural Networks
虽然复杂系统中的信息处理可以用抽象的、一般的术语来描述,但在某些情况下,这些计算与底层系统的物理基础之间的关系本身也是令人感兴趣的。显然,大脑就是这样一个例子。为了研究生物神经系统中的信息与动力学之间的关系,我们研究了具有不同耦合结构的脉冲神经元模型网络,并探讨了其信息、动力学和拓扑性质之间的关系。我们发现,信息传输和存储的峰值在两个不同的点为不同的值的耦合参数,并在一个中间点平衡。在这种配置中,网络中的雪崩遵循长尾幂律分布。此外,此时的雪崩统计再现了生物大脑中的经验发现。
2017-08-15 q-bio.NC
Improved Accuracy of Robot Localization Using 3-D LiDAR in a Hippocampus-Inspired Model
Dept. of Computer Science University of Cincinnati Cincinnati, USA(计算机科学系 奥巴马大学 美国辛辛那提);Computer Engineering University of Cincinnati Cincinnati, USA(计算机工程系 奥巴马大学 美国辛辛那提)
针对传统二维边界向量细胞模型易受环境水平对称影响产生空间歧义的问题,研究提出融入垂直角度敏感度的三维BVC框架,结合激光雷达数据捕捉垂直轮廓,在复杂三维环境中显著提升机器人定位精度且在简单场景中保持性能。
2025-10-28 cs.AI cs.LG cs.RO
Additive function approximation in the brain
University of Washington(华盛顿大学)
许多生物学习系统,如蘑菇体、海马体和小脑,都是由稀疏连接的神经元网络构成的。为了对这种网络有一个新的理解,我们研究了由稀疏随机特征引起的函数空间,并描述了哪些函数可以学习,哪些不能学习。每个神经元具有$d$输入的网络被发现等价于阶数为$d$的加性模型,而具有度分布的网络结合了不同阶数的加性项。我们确定了稀疏性的三个具体优势:加性函数近似是一个强大的归纳偏差,限制了维数灾难,稀疏网络对输入中的离群噪声是稳定的,稀疏随机特征是可扩展的。因此,即使是简单的大脑架构也可以是强大的函数逼近器。最后,我们希望这项工作有助于在计算神经科学家中推广网络的核心理论。
2019-09-13 cs.LG cs.NE q-bio.NC
Grandmother cells and the storage capacity of the human brain
Quian Quiroga等人[Nature 435,1102(2005)]最近发现了似乎具有祖母(GM)细胞特征的神经元。在这里,我们定量评估他们的数据与GM细胞假说的兼容性。我们表明,与一般的印象相反,GM细胞表示可以是信息理论上有效的,但它必须伴随着细胞提供分布式编码的输入。我们提出了一个一般的方法来推断从一个样本的整个神经元群体的稀疏分布,并使用它来显示有两个群体的细胞:一个分布的代码人口不到约5%的细胞,和一个更稀疏的响应人口的推定GM细胞。考虑到未被检测到的沉默细胞的数量,我们发现假定的GM细胞可以编码10^5个或更多的类别,足以使它们成为经典的GM细胞,或者是编码记忆的GM样细胞。我们量化了对GM细胞检测的强烈偏见,并显示了我们的结果与以前的测量结果的一致性,发现只有分布式编码。我们将讨论神经系统和突触连接的架构的后果,并为神经放电的统计。
2007-02-26 q-bio.NC
Spike-based computational models of bio-inspired memories in the hippocampal CA3 region on SpiNNaker
Universidad de Sevilla(塞维利亚大学)
人脑是当今最强大、最高效的机器,在许多方面超越了现代计算机的能力。目前,神经形态工程的研究方向正在试图开发能够模仿大脑功能的硬件,以获得这些优越的能力。其中一个仍在开发中的领域是生物启发记忆的设计,海马体在其中起着重要作用。大脑的这个区域充当短期记忆,能够存储来自大脑中不同感觉流的信息关联,并在以后回忆它们。这是可能的,这要归功于构成海马主要子区域CA3的循环侧支网络结构。在这项工作中,我们开发了两个基于尖峰的计算模型的全功能海马生物启发的记忆的存储和召回的复杂模式实现与脉冲神经网络的SpiNNaker硬件平台。这些模型呈现了不同层次的生物抽象,第一个模型具有更接近生物模型的恒定振荡活动,第二个模型具有能量有效的调节活动,尽管它仍然是生物启发的,但选择了更多的功能方法。对每个模型进行了不同的实验,以测试它们的学习/回忆能力。所提出的模型的功能和生物相容性之间进行了全面的比较,显示它们的优点和缺点。这两个模型可供研究人员公开使用,可以为未来基于尖峰的实现和应用铺平道路。
2022-05-10 cs.LG cs.NE q-bio.NC
The topology of higher-order complexes associated with brain-function hubs in human connectomes
由不同阶数的单纯形描述的复杂系统中的高阶连通性为基于单纯形的动态变量和相互作用提供了一种几何结构。构成人类连接体功能几何结构的单纯复合体对于大脑复杂动力学至关重要。在这种情况下,连接最好的大脑区域,被指定为枢纽节点,在支持综合大脑功能方面发挥着核心作用。在这里,我们研究了连接到女性和男性连接体中的八个全球枢纽的单纯复合体的结构,并确定了受影响的大脑区域之间的核心网络。这八个枢纽(Putamen,Caudate,Hippocampus和Thalamus-Proper在左右大脑半球)是根据其拓扑维度排名最高的,定义为节点参与的所有订单的单形的数量。此外,我们分析了单形的权重依赖的异质性。当阈值权重逐渐增加时,我们展示了所识别的核心网络结构和拓扑熵的变化。这些结果突出了人类大脑网络中高阶相互作用的作用,并为女性和男性连接体之间的相似性提供了额外的证据。
2020-06-18 cond-mat.dis-nn math.AT q-bio.NC
A Biologically-Inspired Dual Stream World Model
University of Oregon(俄勒冈大学)
内侧颞叶(MTL),一个包含海马和附近区域的大脑区域,被假设为哺乳动物的经验构建系统,支持对时间延伸的事件序列的回忆和想象。这种能力也是人工智能研究领域最近提出的许多"世界模型“的核心。从这种联系中获得灵感,我们提出了一种新的变体,双流世界模型(DSWM),它从高维观察中学习,并将它们分解为上下文和内容流。DSWM可以在新的2D环境中可靠地生成想象的轨迹,只需一次曝光,优于标准的世界模型。DSWM还学习潜在的表征,这些表征与海马中发现的位置细胞非常相似。我们表明,这种表示是有用的强化学习基函数,生成模型可以用来帮助策略学习过程中使用Dyna一样的更新。
2022-09-16 cs.LG cs.NE q-bio.NC
A mathematical model of reward and executive circuitry in obsessive compulsive disorde
控制强迫症和强迫行为的神经元回路涉及复杂的大脑区域网络(其中一些已知参与奖励处理)。其中包括皮质区、纹状体和丘脑(构成CSTC通路)、边缘系统区(如杏仁核和海马)以及多巴胺通路。这种大脑网络中的异常动态行为是焦虑和运动活动增加的患者的标志性特征,就像那些受强迫症影响的患者一样。目前还没有明确的理解是什么机制产生这些行为。我们试图通过一个控制奖励和动作执行的大脑回路的计算模型来研究强迫症的连接假说。在数学上,我们使用常微分方程和连续时间动力系统的方法。我们使用经典的分析方法以及计算方法来研究相平面中的现象(例如,当给定某些初始条件时系统解的行为)和在参数空间中(例如,初始条件的敏感依赖性)。我们发现不同的强迫症亚型可能对应于网络连接配置文件的不同异常。我们认为,这是参数的组合(区域之间的连接强度),而不是任何一个参数的值独立,提供了最好的基础,预测行为,并了解疾病的异质性。
2015-12-15 q-bio.NC
High-Density Multi-Depth Human Recordings Using 45 mm Long Neuropixels Probes
University of California Davis Health(加州大学戴维斯分校健康中心);Massachusetts General Hospital(麻省总医院);Harvard Medical School(哈佛医学院)
Neuropixels 1.0-NHP Long探针在人类手术中实现多深度单神经元分辨率记录,为研究人类大脑功能和病理提供了新方法。
2026-01-14 q-bio.NC
The Importance of Forgetting: Limiting Memory Improves Recovery of Topological Characteristics from Neural Data
我们开发了一个由Curto和Itskov发起的工作线,通过拓扑结构的考虑,了解海马位置细胞的脉冲序列中包含的信息量。以前,人们已经确定,只要知道动物海马体中哪些位置细胞群一起放电就足以提取动物物理环境的全局拓扑结构。我们建立了一个系统,其中位置细胞的集合根据短期可塑性规则进行分组和取消分组。特别是,我们得到了令人惊讶的结果,在实验中与假发射,提取的拓扑信息的准确性降低的持久性(超出一定的制度)的细胞群。这表明突触短暂性或遗忘是大脑抵消虚假位置细胞活动影响的一种机制。
2017-10-31 q-bio.NC
Network structure determines patterns of network reorganization during adult neurogenesis
新细胞在整个生命过程中产生,并通过成年神经发生过程整合到海马体中。癫痫性脑损伤引起海马体的许多结构变化,包括中间神经元的死亡和连接模式的改变。病理性神经源性小生境与异常神经发生相关,尽管网络水平的变化在癫痫发生中的作用还不清楚。在本文中,我们使用计算机模拟来研究网络环境对神经发生的结构和功能结果的影响。我们发现,具有外部刺激的小世界网络能够被活动寻求神经元以一种方式增强,这种方式增强了受刺激部位的活动,而不会改变整个网络。然而,当抑制减少或连接模式改变时,新细胞对刺激的反应更少,新细胞更有可能驱动网络进入爆发动力学。我们的研究结果表明,癫痫损伤引起的网络水平的变化可以创造一个环境,神经源性重组可以诱导或加强癫痫动力学和新细胞的异常整合。
2009-12-10 physics.bio-ph q-bio.NC
Revealing stimulus-dependent dynamics through statistical complexity
University of Minho(米尼奥大学);UA Integrative Systems Neuroscience Group, Department of Physics, University of Arkansas(阿肯色大学物理系整合系统神经科学小组)
该研究利用统计复杂性揭示了神经群体动力学中刺激依赖的结构化模式,展示了信息论方法在理解神经活动方面的优势。
2025-12-04 q-bio.NC
Naming Schema for a Human Brain-Scale Neural Network
深度神经网络已经变得越来越大和稀疏,从而允许以降低的存储和计算成本来存储大规模神经网络。使用当前版本的高性能Apache Accumulo数据库和分布式维度数据模型(D4M)软件,可以存储与人脑连接一样多的神经网络。如此大规模的神经网络可能会引起人脑连接组社区科学家的特别兴趣。为了帮助研究和理解与现有神经网络(如大脑)并行的人工神经网络,可以开发命名模式以标记与大脑中的神经元组并行的人工网络中的神经元组。人工神经元组能够在小区域中进行特异性标记,以供未来研究。
2021-09-22 cs.DB cs.DC cs.NE
Adaptive Decoding via Hierarchical Neural Information Gradients in Mouse Visual Tasks
School of Computer Science, Wuhan University(武汉大学计算机学院)
本文提出自适应拓扑视觉变换器(AT-ViT),通过分层神经信息梯度实现小鼠视觉任务中的自适应解码,验证了视觉系统脑区信息层次的可量化性。
2025-10-10 cs.NE q-bio.NC
Alzheimer's Disease Diagnostics by a Deeply Supervised Adaptable 3D Convolutional Network
University of Louisville(路易斯维尔大学);University of Auckland(奥克兰大学)
阿尔茨海默病(Alzheimer 'sdisease,AD)的早期诊断是基于脑图像特征的分类,在AD的预防和治疗中发挥着重要作用。这些特征必须准确地捕获解剖学大脑结构的主要AD相关变化,例如,脑室大小、海马形状、皮质厚度和脑体积。本文提出用深度3D卷积神经网络(3D-CNN)来预测AD,该网络可以学习捕获AD生物标志物的通用特征并适应不同领域的数据集。3D-CNN建立在3D卷积自动编码器的基础上,该编码器经过预训练,可捕获结构性大脑MRI扫描中的解剖形状变化。然后,针对每个特定于任务的AD分类对3D-CNN的完全连接的上层进行微调。在没有颅骨剥离预处理的\emph{ADNI} MRI数据集上的实验表明,我们的3D-CNN在准确性和鲁棒性方面优于几种传统分类器。3D-CNN泛化学习的特征并适应其他领域的能力已经在\emph{CADDementia}数据集上得到了验证。
2016-07-02 cs.LG q-bio.NC stat.ML
Alzheimer's Disease Diagnostics by Adaptation of 3D Convolutional Network
University of Louisville(路易斯维尔大学)
阿尔茨海默病(Alzheimer's disease,AD)的早期诊断是基于脑图像特征的分类,对AD的预防和治疗具有重要意义。这些特征必须准确地捕获解剖学大脑结构的主要AD相关变化,例如,脑室大小、海马形状、皮质厚度和脑体积。本文提出用深度3D卷积神经网络(3D-CNN)预测AD,该网络可以学习捕获AD生物标志物的通用特征并适应不同领域的数据集。3D-CNN建立在3D卷积自动编码器的基础上,该编码器经过预训练,可捕获结构性大脑MRI扫描中的解剖形状变化。然后,针对每个特定于任务的AD分类对3D-CNN的完全连接的上层进行微调。在没有头骨剥离预处理的CADDementia MRI数据集上的实验表明,我们的3D-CNN在准确性方面优于几种传统分类器。3D-CNN泛化学习的特征并适应其他领域的能力已经在ADNI数据集上得到了验证。
2016-07-02 cs.LG q-bio.NC stat.ML
Hippocampal formation-inspired probabilistic generative model
The Whole Brain Architecture Initiative(全脑架构倡议组织);The University of Tokyo(东京大学);RIKEN(理化学研究所)
在构建人工智能(AI)代理时,参考大脑在真实环境中的功能可以通过减少设计空间来加速开发。在这项研究中,我们提出了一个概率生成模型(PGM)的导航在不确定的环境中,通过整合海马结构(HF)的神经科学知识和工程知识,在机器人和人工智能,即同时定位与地图构建(SLAM)。我们遵循大脑参考架构(BRA)(Yamakawa,2021)的方法来构建PGM并概述如何验证模型。为此,我们调查和讨论的HF结果和SLAM模型之间的关系。所提出的海马结构启发的概率生成模型(HF-PGM)被设计为与HF的解剖结构和功能高度一致。通过参考大脑,我们阐述了整合自我中心/allocentric信息的重要性,从内嗅皮层到海马和使用离散事件队列。
2022-03-21 cs.AI cs.NE q-bio.NC
Identifying Brain Image Level Endophenotypes in Epilepsy
首先开发了基于逻辑回归的脑广泛关联研究(BWAS),并将其应用于癫痫患者(168)和健康对照(136)的大人群。结果发现,与癫痫相关的最重要的联系是那些主要属于默认模式网络和皮层下的区域的双边联系,如杏仁核,梭状回,颞下回,海马,颞极,海马旁回,海马,枕中回,楔叶。这些链接被发现比其他链接具有更高的奇数比,并且与对照组相比,所有这些链接都显示出患者的功能耦合减少。有趣的是,随着癫痫发作频率的增加或病程的延长,这两个区域之间的功能联系进一步减少。另一方面,作为一种功能补偿和脑可塑性,这些双侧区域与其他脑区的联系异常增强,并随着癫痫发作频率的增加而变得更强。此外,患者的网络效率高于健康对照组,癫痫发作频率与网络效率呈正相关。双边连接和网络效率之间也存在负相关关系。为了进一步验证我们的发现,我们随后使用BWAS结果将患者与健康对照区分开来,留一准确率约为78%。鉴于一个大队列的全基因组关联研究未能确定基因与癫痫之间的任何显著关联,我们的研究可以为我们提供一组内表型以供进一步研究。
2012-09-25 physics.med-ph q-bio.NC
Cross-Frequency Coupling Increases Memory Capacity in Oscillatory Neural Networks
神经科学中的一个悬而未决的问题是解释振荡在神经网络中的功能作用,例如,对感知,注意力和记忆的贡献。交叉频率耦合(CFC)与神经元群体之间的信息整合有关。CFC受损与神经系统疾病有关。目前还不清楚CFC在信息处理和大脑功能连接中的作用。我们构建了一个模型的CFC预测所观察到的$θ- γ$振荡电路在海马和皮层的计算作用。我们的模型预测,在耦合振子的经常性和前馈网络的复杂动力学执行强大的信息存储和模式检索。基于相量联想记忆(PAM),提出了一种新的振荡器神经网络(ONN)模型,该模型包含次谐波注入锁定(SHIL),并再现了CFC的实验观测结果。我们表明,CFC的存在下增加了记忆能力的人口的神经元连接的塑料突触。CFC允许无错误的模式检索,而没有CFC模式检索失败。此外,稀疏连接,容量和信息之间的权衡每个连接。关联存储器基于复值神经网络或相量神经网络(PNN)。我们发现,对于值的$Q$这是相同的比率$γ$,$θ$振荡观察到的海马和皮层,联想记忆实现更大的容量和信息存储比以前的模型。这项工作的新贡献是提供了一个计算框架的基础上振荡动力学预测的功能作用的神经振荡和连接概念的神经网络理论和动力系统理论。
2022-04-05 cs.NE q-bio.NC
A biologically plausible neural network for Slow Feature Analysis
Flatiron Institute(弗莱德哈钦森研究所);Columbia University(哥伦比亚大学);NYU Medical Center(纽约大学医学中心)
从时间序列数据中学习潜在特征是机器学习和脑功能研究中的一个重要问题。一种称为慢特征分析(SFA)的方法利用许多显著特征相对于快速变化的输入信号的慢度。此外,当在自然刺激下训练时,SFA再现了初级视觉皮层和海马体中细胞的有趣特性,这表明大脑使用时间缓慢作为学习潜在特征的计算原理。然而,尽管SFA用于建模脑功能的潜在相关性,但目前还没有具有生物学上合理的神经网络实现的SFA算法,我们的意思是算法在在线设置中操作,并且可以映射到具有局部突触更新的神经网络上。在这项工作中,从一个SFA的目标,我们推导出一个SFA算法,称为生物SFA,与生物学上合理的神经网络实现。我们验证生物SFA的自然刺激。
2020-10-23 cs.LG cs.NE q-bio.NC
Temporal interference stimulation for deep brain neuromodulation in humans
École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院);EPFL Valais, Clinique Romande de Réadaptation(洛桑联邦理工学院瓦莱校区,罗马尼亚康复诊所);University Hospital Würzburg(维尔茨堡大学医院);University of Geneva Medical School(日内瓦大学医学院)
经颅时间干扰刺激(tTIS)首次实现了聚焦性非侵入性深部脑电刺激,为深部脑神经调节提供了新的方法和应用前景。
2025-12-16 cs.SY eess.SY q-bio.NC
Key-value memory in the brain
Harvard University(哈佛大学);Massachusetts Institute of Technology(麻省理工学院)
本文回顾了键值记忆的计算基础及其在现代机器学习系统中的作用,探讨其如何通过区分存储与检索表征来优化记忆的保真度与区分度,并分析了相关的心理学和神经科学思想、经验难题应用及可能的生物学实现。
2025-03-04 cs.AI cs.LG q-bio.NC
Lateral Ventricular Brain-Computer Interface System with Lantern-Inspired Electrode for Stable Performance and Memory Decoding
Tsinghua University(清华大学);Beihang University(北京航空航天大学);Chinese Academy of Medical Sciences and Peking Union Medical College(中国医学科学院 北京协和医学院)
本研究提出一种经侧脑室置入的灯笼启发式柔性电极脑机接口,实现长期稳定信号记录,并在记忆决策任务中达到98%的预测准确率,优于硬膜下ECoG。
2025-10-25 physics.bio-ph q-bio.NC
Multivariate MR Biomarkers Better Predict Cognitive Dysfunction in Mouse Models of Alzheimers Disease
为了了解阿尔茨海默病(AD)等多因素条件,我们需要预测多种病理及其相互作用的影响的大脑特征。为了帮助揭示大脑回路和认知标记之间的关系,我们使用了小鼠模型,这些模型至少部分地代表了AD中改变的复杂相互作用。特别是,我们的目的是了解脆弱的大脑回路和记忆缺陷之间的关系,在莫里斯水迷宫中测量,我们测试了几种预测建模方法。我们使用体内锰增强MRI体素为基础的分析,以揭示区域差异的体积(形态),信号强度(活动),和磁化率(铁沉积,脱髓鞘)。这些区域包括海马、嗅觉区、内嗅皮层和小脑。这些区域的基于图像的特性被用来预测空间记忆。接下来,我们使用了特征解剖学,它降低了维度,产生了一组解释数据差异的区域。对于每个成像标记物,特征解剖学揭示了支持一系列认知功能的网络,包括记忆,运动功能和联想学习。最后,在监督稀疏典型相关方法中多变量标记的整合优于单一预测模型,并与空间记忆有显着相关性。在先验选择的区域中,穹窿也提供了良好的预测因子,提高了研究大脑网络内疾病传播如何导致认知恶化的可能性。我们的研究结果支持,建模方法集成多变量成像标记提供了敏感的预测AD样行为。这种绘制负责行为的大脑回路的策略可能有助于未来预测疾病进展或对干预措施的反应。
2018-12-28 q-bio.NC q-bio.QM
Age Sensitive Hippocampal Functional Connectivity: New Insights from 3D CNNs and Saliency Mapping
The University of Sydney(悉尼大学);The Chinese University of Hong Kong(香港中文大学);Massachusetts General Hospital(麻省总医院);Harvard Medical School(哈佛医学院)
本文提出结合3D CNN与LayerCAM的可解释深度学习框架,从海马功能连接预测脑龄并识别年龄敏感的海马-皮层连接,揭示了前后海马功能特化的差异,为理解海马衰老机制提供了新见解。
2025-07-02 cs.AI cs.CV q-bio.NC
What makes a neural code convex?
神经代码允许大脑表示,处理和存储有关世界的信息。由神经活动的二进制模式组成的组合代码通过神经元群体的集体行为对信息进行编码。如果一个码的码字对应于由欧几里德空间中的凸开集的排列所定义的区域,则该码被称为凸的。凸代码在许多大脑区域都被实验观察到,包括感觉皮层和海马,那里的神经元表现出凸的感受野。是什么让神经编码成为凸的?也就是说,我们如何从代码的内在结构判断是否存在凸开集的相应排列?在这项工作中,我们提供了一个完整的局部障碍凸性的表征。这促使我们定义最大相交完整码,一个保证没有局部障碍物的族。然后,我们展示了我们的特征如何使一个使用自由决议的斯坦利Reisner理想,以检测违反凸性。总之,这些结果提供了一个显着的进步,了解凸码的内在组合性质。
2016-12-21 math.CO q-bio.NC
Where is Memory Information Stored in the Brain?
The New School for Social Research(社会研究新学院);University of Canterbury(坎特伯雷大学)
在科学研究界,大脑中的记忆信息通常被认为存储在突触中--这一假设著名地归功于心理学家唐纳德·赫布。然而,越来越多的少数人认为记忆是在分子(RNA或DNA)水平上储存在神经元内的--这是一种由心理学家兰迪·加尔韦尔提出的另一种假设,称为细胞内在假说。在本文中,我们回顾了从争论双方选择的关键实验证据。我们从埃里克·坎德尔对海蛞蝓的研究开始,他的研究为支持突触假说提供了第一个证据。接下来,我们将介绍约翰·奥基夫(John O 'Keefe)和约瑟夫·勒杜(Joseph LeDoux)在老鼠身上做的实验(陈述性记忆和海马体)。然后,我们介绍突触作为今天的人工智能神经网络的基本构建块。之后,我们介绍了David Glanzman关于海蛞蝓分离记忆存储和突触变化的研究,以及利根川进利用激光重新激活小鼠逆行性遗忘的实验。从那里,我们强调Germund Hesslow的雪貂条件停顿的实验,和Beatrice Gelber的无突触单细胞生物(草履虫)的条件反射实验。接下来是David Glanzman使用RNA在海蛞蝓之间移植记忆的实验。最后,我们概述了Brian Dias和Kerry Ressler关于小鼠从父母到后代的恐惧DNA转移的实验。最后,我们得出了一些对更广泛的心理学领域的潜在影响。
2021-12-10 cs.AI cs.IT math.IT
Chaotic Oscillatory Associative Memory
Indian Institute of Technology Madras(印度理工学院马德拉斯分校);Center for Complex Systems & Dynamics IIT Madras(印度理工学院马德拉斯分校复杂系统与动力学中心)
本研究提出一种基于混沌振荡器的联想记忆模型,通过定义混沌系统中的相位关系,提升记忆存储和检索能力,并揭示记忆动态机制。
2026-01-17 nlin.CD q-bio.NC
A privacy-preserving data storage and service framework based on deep learning and blockchain for construction workers' wearable IoT sensors
Tsinghua University(清华大学)
对可穿戴物联网(IoT)传感器,特别是脑机接口(BCI)收集的大脑信号进行分类是发展最快的研究领域之一。然而,研究大多忽略了收集的个人神经生理数据的安全存储和隐私保护问题。因此,在这篇文章中,我们试图弥合这一差距,并提出了一个安全的隐私保护协议,实现BCI应用程序。我们首先将大脑信号转化为图像,并使用生成对抗网络来生成合成信号,以保护数据隐私。随后,我们将迁移学习的范例应用于信号分类。所提出的方法进行了评估的案例研究和结果表明,真实的脑电数据与人工生成的样本增强提供了优越的分类性能。此外,我们提出了一个基于区块链的方案,并在以太坊上开发了一个原型,旨在使存储,查询和共享个人神经生理数据和分析报告安全且具有隐私意识。描述了三个主要交易主体--建筑工人、BCI服务提供商和项目经理--的权利,并讨论了拟议系统的优点。我们相信本文提供了一个全面的解决方案,以保护私人数据免受网络攻击,为BCI应用程序开发人员提供公平的竞争环境,并最终提高行业的专业福祉。
2022-11-19 cs.CR cs.LG eess.SP
Community structure detection and evaluation during the pre- and post-ictal hippocampal depth recordings
在各种情况下检测和评估大脑区域是计算神经科学中最有趣的课题之一。然而,大多数关于检测大脑功能连接网络社区的研究都是在从相干性属性而不是相关性获得的网络上进行的。这种研究的缺乏,部分原因是由于这样一个事实,即许多常见的聚类图的方法需要网络的节点是“积极”链接在一起,这是一个属性,保证了一致性矩阵,根据定义。然而,相关矩阵揭示了更多关于每对节点如何链接在一起的信息。在这项研究中,我们第一次同时检查四个本质上不同的网络聚类方法(光谱,启发式和优化方法)应用于麻醉大鼠海马CA 1区的功能连接网络在发作前和发作后状态。网络得到的相关矩阵,其结果进行了比较,通过应用相同的方法获得的一致性矩阵。相关性矩阵显示了一个更精细的社区结构相比,一致性矩阵。此外,我们研究了潜在的平滑效果,选择各种窗口大小计算的相关性/一致性矩阵。
2018-05-31 cs.SI physics.soc-ph q-bio.NC
Neural subspaces, minimax entropy, and mean-field theory for networks of neurons
针对大规模神经群体建模难题,提出约束投影活动全概率分布的分布型平均场模型,结合平均场理论,在小鼠海马体千余神经元数据上实现准确一致的描述。
2025-08-04 cond-mat.stat-mech physics.bio-ph q-bio.NC