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 plasticity and neuronal refractory time cause scaling behaviour of neuronal avalanches
在体外和体内不同的皮层网络中测量的神经元雪崩始终表现出幂律行为的大小和持续时间分布的指数典型的平均场自组织分支过程。这些指数也恢复在神经网络模拟实现不同的网络拓扑结构上的各种神经元动力学。因此，它们可以被认为是自发神经元活动的一个非常强大的特征。有趣的是，在有限维的规则晶格上也观察到了这种标度行为，这就提出了实验观察到的平均场行为的起源问题。在这项研究中，我们提供了一个答案，这个开放的问题，通过调查活动依赖的可塑性与神经元的不应时间在神经元网络相结合的效果。结果表明，不应期阻碍向后雪崩，迫使一个定向传播。赫布可塑性适应的作用是将这些定向雪崩模式塑造成网络的拓扑结构，慢慢地将其变成一个分支结构，其中循环是边缘的。
2016-08-10 nlin.AO q-bio.NC
Effects of the spike timing-dependent plasticity on the synchronisation in a random Hodgkin-Huxley neuronal network
在本文中，我们研究了在一个网络的霍奇金-赫胥黎神经元同步的影响，尖峰时间依赖的可塑性。神经元可塑性是神经元及其网络暂时或永久改变其生化、生理和形态特征以适应环境的灵活特性。关于可塑性，我们考虑赫布规则，特别是尖峰时间依赖可塑性（STDP），而对于网络，我们认为连接是随机分布的。我们根据输入水平和连接的概率来分析同步和去同步。此外，我们验证了同步的过渡取决于神经网络的结构，和外部扰动水平。
2015-03-07 nlin.CD q-bio.NC
A distance constrained synaptic plasticity model of C. elegans neuronal network
脑研究一直是由对脑结构组织及其控制机制的原理的探索所驱动的。C.秀丽隐杆线虫是迄今为止唯一一个完整的连接体，它提供了一个令人难以置信的机会来学习驱动其神经元结构的结构和功能的基本管理原则。尽管它的神经系统看起来很简单，C.已知秀丽线虫具有复杂的功能。神经元结构形成了一个重要的基本框架，它规定了与感觉、运动、条件反射和记忆相关的表型特征。本研究利用图论模型对C. elegans神经元网络，以确定网络的功能，是至关重要的控制。“驱动神经元”与重要的生物功能有关，如生殖，信号传导过程和解剖结构发育。我们建立了C. elegans神经元系统，探索赋予可控性和小世界性质的功能的作用。简单的1D环模型是关键的前馈图案的数量，神经元集群和响应突触重新布线的特征路径长度，表明最佳的重新布线。使用经验观察到的神经元网络中的距离约束作为指导原则，我们创建了一个距离约束的突触可塑性模型，同时解释了小世界的性质，前馈图案的饱和度以及观察到的驱动神经元的数量。距离约束模型建议最佳长距离突触连接作为指定网络控制的关键特征。
2016-11-25 physics.bio-ph q-bio.NC q-bio.QM
Evaluating the extent to which homeostatic plasticity learns to compute prediction errors in unstructured neuronal networks
据信，大脑的运作部分是通过对感官刺激进行预测，并在“预测错误神经元”的活动中对这些预测的偏差进行编码。“这一原理定义了影响广泛的预测编码理论。动物学习计算和更新预测的精确电路和可塑性机制尚不清楚。稳态抑制性突触可塑性是训练神经元网络执行预测编码的一种有前途的机制。稳态可塑性使神经元保持稳定的基线放电率，以响应与训练网络的输入密切匹配的输入，但放电率可能会偏离此基线，以响应与训练不匹配的刺激。我们将计算机模拟和数学分析系统地结合起来，测试随机连接的非结构化网络在经过稳态抑制性突触可塑性训练后计算预测误差的程度。我们发现，稳态可塑性本身是足够的计算预测误差为平凡的时间常数的刺激，但不是更现实的随时间变化的刺激。我们使用塑性网络的平均场理论来解释我们的研究结果，并描述它们适用的假设。
2022-02-18 q-bio.NC
Effect of Interpopulation Spike-Timing-Dependent Plasticity on Synchronized Rhythms in Neuronal Networks with Inhibitory and Excitatory Populations
我们考虑具有抑制性（I）和兴奋性（E）种群的集群小世界网络。这种I-E神经元网络具有自适应的动态I到E和E到I群体间突触强度，由群体间尖峰时间依赖可塑性（STDP）控制。在以前的作品没有STDP，快速稀疏同步的节奏，涉及到不同的认知功能，被发现出现在一个范围内的噪声强度$D$静态突触强度。通过改变$D$，我们调查不同的人口和个人的快速稀疏同步的节奏，出现在I-和E-人口的人口间STDP的影响。根据$D$的值，长时程增强（LTP）和长时程抑制（LTD）的饱和种群间突触强度的群体平均值被发现发生，它们对快速稀疏同步的程度产生影响。在中间$D$的宽区域中，良好同步（具有较高的尖峰测量）的程度降低，而在大$D$的区域中，不良同步（具有较低的尖峰测量）的程度增加。因此，在每个I-或E-群体中，同步度在宽范围的$D$中变得几乎相同。这种“均衡效应”是通过快速稀疏同步节律的平均占用度和起搏度之间的协同相互作用而发生的。我们注意到，种群间突触可塑性的均衡效应与种群内（I到I和E到E）突触可塑性的马修（双极化）效应形成鲜明对比，在种群内，好（坏）的同步化变得更好（更差）。最后，通过基于突触前和突触后发放时间之间的时间延迟分布的微观方法，深入研究了群体间突触强度的LTP和LTD的出现。
2020-02-11 physics.bio-ph q-bio.NC
Fluctuation-driven plasticity allows for flexible rewiring of neuronal assemblies
神经元回路中的突触连接受到突触前和突触后尖峰活动的调制。这种突触可塑性过程的启发式模型可以提供与来自体外实验的结果的极好拟合，在体外实验中，突触前和突触后尖峰以受控方式变化。然而，从拟合这些数据推断出的可塑性规则不可避免地是不稳定的，因为给定突触前和突触后的恒定活动，突触将完全增强或抑制。这种不稳定性可以通过增加额外的机制来控制，例如稳态。在这里，我们考虑另一种情况下，可塑性规则本身是稳定的。在这种情况下，只有当突触前和突触后活动随时间变化时，例如当由时变输入驱动时，才会发生净增强或抑制。我们研究了这些输入的特征如何塑造神经元回路模型中的经常性突触连接。在振荡输入的情况下，所得到的结构强烈地受到驱动到不同神经元之间的相位关系的影响。在大型网络中，分布式阶段往往会导致层次聚类。我们的研究结果可能是相关的理解感觉驱动的输入，这是自然随时间变化的，对突触可塑性的影响，因此对学习和记忆。
2022-07-13 q-bio.NC
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
Quantifying impacts of short-term plasticity on neuronal information transfer
已经假设功效的短期变化增强了突触在神经元之间和神经元网络内传递信息的能力。即使在单个神经元之间的连接水平上，直接证实这个简单的猜想也被证明是难以捉摸的。通过结合配对细胞记录，现实的突触建模和信息理论，我们提供的证据表明，短期可塑性不仅可以改善，而且可以减少神经元之间的信息传递。我们专注于一个具体的例子在大鼠新皮层，但我们的结果可能会推广到其他系统。当信息包含在单个尖峰的时间，我们发现，促进，抑郁和恢复影响信息传递的比例后，神经递质释放的概率的影响。当信息仅通过平均尖峰频率传递时，短期可塑性的影响主要取决于目标网络可以区分的尖峰频率范围（其有效动态范围）。我们的研究结果表明，为了有效地传递信息，大脑必须在发育和行为过程中匹配突触类型，编码策略和网络连接。
2012-04-15 cond-mat.dis-nn physics.bio-ph q-bio.NC
Alterations in brain connectivity due to plasticity and synaptic delay
大脑可塑性是指大脑改变神经元连接的能力，作为环境刺激，新经验或损伤的结果。在这项工作中，我们研究的影响，突触延迟的耦合强度和同步的神经网络与突触可塑性。我们建立了一个Hodgkin-Huxley神经元网络，其中的可塑性由Hebbian规则给出。我们验证了在没有时间延迟的情况下，从高频到低频神经元的兴奋性突触逐渐增强，而抑制性突触则相反，当延迟增加时，网络呈现出非平凡的拓扑结构。关于同步，仅对于突触延迟的小值，观察到这种现象。
2017-10-27 physics.bio-ph q-bio.NC
Effect of Inhibitory Spike-Timing-Dependent Plasticity on Fast Sparsely Synchronized Rhythms in A Small-World Neuronal Network
我们认为Watts-Strogatz小世界网络（SWN）组成的抑制性快速尖峰Izhikevich中间神经元。这种抑制性神经元群体具有由抑制性尖峰时间依赖性可塑性（iSTDP）支配的自适应动态突触强度。在以前的作品没有iSTDP，快速稀疏同步的节奏，与不同的认知功能，被发现出现在一系列的大噪声强度固定强突触抑制强度。在这里，我们研究的影响iSTDP的快速稀疏同步（FSS）通过改变噪声强度$D$。我们采用非对称反赫布时间窗口的iSTDP更新规则[这是在对比兴奋性STDP（eSTDP）的赫布时间窗口]。依赖于$D$的值，饱和突触抑制强度的群体平均值与初始平均值相比被增强[长时程增强（LTP）]或降低[长时程抑制（LTD）]，并且与初始分散相比，LTP/LTD的平均值的分散增加得多，与$D$无关。在大多数LTD的情况下，平均LTD的影响是占主导地位的分散的影响相比，好的FSS（具有较高的尖峰措施）被发现得到更好的通过LTD，而坏的FSS（具有较低的尖峰措施）被发现通过LTP变得更糟。抑制性突触可塑性中的这种马太效应与兴奋性突触可塑性中的马太效应相反，在兴奋性突触可塑性中，好（坏）同步通过LTP（LTD）变得更好（更差）。通过基于突触前和突触后锋电位时间延迟分布的微观方法，对突触抑制强度的LTD和LTP的出现进行了深入研究。此外，我们还研究了网络结构对FSS的影响，通过改变重布线概率$p$的…
2018-05-14 physics.bio-ph q-bio.NC
Spectral representation: analyzing single-unit activity in extracellularly recorded neuronal data without spike sorting
细胞外记录的神经元数据的常规分析的一个步骤是尖峰分选，其将电信号分离成来自不同神经元的动作电位。由于尖峰排序涉及人类的判断，它可能是主观的和时间密集的，特别是对于大量的神经元。在这里，我们提出了一个简单的，自动化的方法来构建神经元活动的替代表示，称为频谱表示（SR）。在这种方法中，神经元的尖峰被映射到一个离散空间的尖峰波形特征和时间。频谱表示使我们能够找到单单位刺激相关的神经元活动的变化，而无需尖峰排序。我们测试的能力，这种方法来预测刺激使用模拟数据和实验数据从麻醉绒猴的听觉映射研究。我们发现，我们的方法产生更准确的分类刺激比穗排序数据的模拟和实验条件。此外，这种方法本身的细胞外记录的神经元系综的自动化分析。此外，我们建议的方式，这些表示可以很容易地扩展到协助尖峰排序和评价单神经元的刺激周围时间直方图。
2005-02-24 q-bio.NC q-bio.QM
Evolving Neuronal Plasticity Rules using Cartesian Genetic Programming
我们制定的突触可塑性的现象学模型的搜索作为一个优化问题。我们采用笛卡尔遗传编程来进化生物学上合理的人类可解释的可塑性规则，允许给定的网络成功地解决特定任务家族的任务。虽然我们的进化学习方法可以应用于各种学习范式，但在这里，我们通过进化可塑性规则来说明它的力量，这些规则允许网络有效地确定其输入分布的第一个主成分。我们证明了进化的规则与已知的手工设计的解决方案具有竞争力。我们探讨了进化搜索过程中使用的数据集的统计特性如何影响可塑性规则的形式，并发现了适应于相应数据集结构的新规则。
2021-02-08 cs.NE q-bio.NC
Robust Rhythmogenesis in the Gamma Band via Spike Timing Dependent Plasticity
在从昆虫到人类的许多动物物种中，都观察到了伽马波段（30- 100 Hz）的节律活动，并且与广泛的认知任务有关。各种实验和理论研究已经调查了这种节奏活动。理论上的努力主要集中在神经元动力学上，假设网络连接满足产生伽马振荡所需的某些微调条件。然而，目前尚不清楚这种微调是如何实现的。在这里，我们调查的假设，尖峰时间依赖性可塑性（STDP）可以提供调整突触连接的基础机制，以产生在伽马波段的节律活动。我们在一项建模研究中解决了这个问题。我们研究了STDP动力学的框架内的兴奋性和抑制性神经元群体，已被认为是产生γ的基础。在慢学习极限下推导了突触权重动力学的平均场Fokker-Planck方程。我们利用这种近似来确定哪种类型的STDP规则驱动系统表现出伽马振荡，并演示了表征可塑性规则的参数如何控制节律活动。最后，我们提出了一种新的机制，可以确保自我发展过程的鲁棒性，在一般情况下，特别是节奏。
2020-07-28 physics.bio-ph q-bio.NC
Dis-inhibitory neuronal circuits can control the sign of synaptic plasticity
Friedrich Miescher Institute for Biomedical Research（弗里德里希·米歇尔生物医学研究所）；Faculty of Science, University of Basel（巴塞尔大学理学院）
针对信用分配中误差调节与突触后活动决定可塑性符号之间的矛盾，本文提出自适应控制框架下的去抑制微回路与 Hebbian 规则，实现可比 BP 的学习并给出可检验预测。
2023-12-11 cs.LG cs.NE q-bio.NC
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
Stimulus - response curves of a neuronal model for noisy subthreshold oscillations and related spike generation
我们研究了一个噪声离子电导模型在膜电位和相关尖峰产生的内在阈下振荡的刺激依赖性调谐特性。在施加电流去极化时，该模型表现出亚阈值振荡活动，当振荡达到尖峰阈值时偶尔会产生尖峰。我们考虑如何施加的电流量，噪声强度，最大电导值的变化和缩放到不同的温度范围内改变模型的电压迹线，interspike间隔及其统计和平均尖峰频率曲线的响应。我们证明，阈下振荡神经元在噪声的存在下，可以灵敏地，也可以选择性地调整依赖于刺激的模型参数的变化。
2005-09-22 q-bio.NC
Theory of coupled neuronal-synaptic dynamics
本文通过动态平均场理论系统研究神经元与突触耦合动力学，揭示Hebbian和反Hebbian可塑性对网络活动、时间尺度及混沌特性的影响，并提出可冻结混沌相作为工作记忆的新机制。
2024-01-10 cond-mat.dis-nn cs.NE q-bio.NC
Stochastic Spike Synchronization in A Small-World Neural Network with Spike-Timing-Dependent Plasticity
我们考虑由阈下神经元组成的Watts-Strogatz小世界网络，该网络表现出噪声诱导的尖峰脉冲。这种神经元网络具有由尖峰定时依赖可塑性（STDP）控制的自适应动态突触强度。在以前的作品没有STDP，随机尖峰同步（SSS）之间的噪声诱导的尖峰的阈下神经元被发现发生在一个范围内的中间噪声强度通过竞争之间的建设性和破坏性的作用的噪声。在这里，我们研究的效果添加剂STDP上的SSS通过改变噪声强度。发现突触可塑性中的“马太”效应的发生是由于正反馈过程。结果，好的同步通过突触强度的长时程增强（LTP）变得更好，而差的同步通过长时程抑制（LTD）变得更差。通过对突触前和突触后瞬时个体发放率（IISR）之间的配对相关性以及突触前和突触后发放时间之间的时间延迟分布的微观研究，深入研究了突触强度的LTP和LTD的出现。此外，与加性STDP的情况相比，还研究和讨论了乘法STDP（这取决于状态）对SSS的影响。
2017-08-14 q-bio.NC
Critical neural networks with short and long term plasticity
近年来，自组织临界神经元模型提供了关于实验观察到的神经元系统雪崩行为的起源的见解。研究表明，动态突触作为一种短期可塑性的形式，可以引起关键的神经元动力学。而长期可塑性，如赫布或活动依赖可塑性，在塑造网络结构和赋予神经系统学习能力方面起着至关重要的作用。在这项工作中，我们提供了一个模型，它结合了两种可塑性机制，作用于两个不同的时间尺度。测得的雪崩的统计数据是兼容的雪崩的大小和持续时间分布与生物学观察到的抑制性神经元的百分比的实验结果。神经元活动的时间序列表现出导致功率谱中的1/f衰减的时间突发。长期可塑性的存在使系统能够学习二进制规则，如XOR，为未来研究更复杂的任务（如模式识别）提供了基础。
2017-12-18 nlin.AO q-bio.NC
Two-trace model for spike-timing-dependent synaptic plasticity
我们提出了一个有效的模型的时间依赖性突触可塑性（STDP）在两个相互作用的痕迹，对应于激活的NMDA受体的分数和Ca2+浓度在树突棘的突触后神经元。该模型旨在弥合现有的简单的现象学规则和高度详细的模型的世界，从而构成一个实用的工具，神经活动和突触可塑性之间的相互作用，在扩展的尖峰神经网络的研究。对于孤立的突触前和突触后尖峰的标准成对STDP规则再现，与适当的参数确定各自的权重和时间尺度的因果和反因果的贡献。该模型包含，否则只有三个自由参数，可以进行调整，以重现三重非线性在海马文化和皮质切片。我们还研究了相关和不相关的尖峰模式从时间依赖性到速率依赖性可塑性的转变。
2014-10-02 q-bio.NC
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
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
Optimal Spike-Timing Dependent Plasticity for Precise Action Potential Firing
在基于时间的神经代码中，神经元必须在精确的时刻发出动作电位。我们使用一个监督学习范式来获得一个突触更新规则，通过梯度上升优化突触后放电的可能性在一个或几个所需的发射时间。我们发现，上调和下调突触效能的最佳策略可以描述为一个两阶段的学习窗口类似的尖峰定时依赖可塑性（STDP）。如果突触前尖峰在所需的突触后尖峰时间之前到达，我们的最佳学习规则预测突触应该变得增强。增强对尖峰时间的依赖性直接反映了兴奋性突触后电位的时间过程。反向尖峰定时的突触功效的抑制的存在和幅度取决于如何在优化问题中实施约束。两种不同的约束，即，控制突触后率或控制时间局部性。
2005-02-24 q-bio.NC
Neuronal coupling benefits the encoding of weak periodic signals in symbolic spike patterns
对于神经元如何利用电脉冲（即尖峰）来编码信号信息的理解仍然是难以捉摸的。通过分析单个神经元和两个耦合神经元（使用随机FitzHugh-Nagumo模型）产生的尖峰序列，最近的理论研究发现尖峰的相对定时可以编码信号信息。使用符号化方法分析锋电位序列，检测出偏好锋电位模式和罕见锋电位模式，其概率随信号的幅度和频率而变化。为了研究这种编码机制是否也适用于神经元集合，在这里，我们分析了一组神经元的活动，当它们都感知到一个微弱的周期性信号时。我们发现，在一个或两个耦合的神经元的情况下，现在从所有神经元的尖峰序列计算的尖峰模式的概率取决于信号的幅度和周期，因此，模式的概率编码信号的信息。我们还发现，与只有一个或两个耦合神经元感知信号相比，当一组神经元感知信号时，与信号周期或与噪声水平的共振更加明显。神经元耦合对于信号编码是有益的，因为一组神经元能够编码小振幅信号，而当仅由一个或两个耦合神经元感知时，该信号无法编码。有趣的是，我们发现，对于一组神经元来说，彼此之间只有几个连接可以显着改善小幅度信号的编码。我们的研究结果表明，信息编码的首选和罕见的尖峰模式是一个合理的机制，可以采用神经元群体编码弱周期性输入，利用神经噪声的存在。
2019-05-06 q-bio.NC
Closed-form modeling of neuronal spike train statistics using multivariate Hawkes cumulants
在一个具有兴奋和抑制的多变量Hawkes过程模型中，我们导出了由脉冲序列驱动的神经元膜电位的任意阶累积量的精确解析表达式。这些表达式可用于模型随时间的统计行为的预测和敏感性分析，并使用Gram-Charlier展开估计神经元膜电位的概率密度。我们的研究结果提供了一个更好的替代Monte Carlo估计通过随机模拟，并包括基于组合递归的计算机代码。
2022-10-27 math.PR math.ST q-bio.NC
Influence of synaptic interaction on firing synchronization and spike death in excitatory neuronal networks
我们研究了兴奋性神经元网络中突触相互作用的效能对放电同步的影响。我们发现了尖峰死亡现象，即神经元的状态从极限环过渡到不动点或瞬态。这些现象是在兴奋性突触相互作用的扰动下发生的，具有很高的功效。结果表明，突触电流的降低通过抑制钠离子电流的反馈而导致锋电位死亡。在具有锋电位死亡特性的网络中，同步程度较低，对神经元的异质性不敏感。其影响机制是神经元状态的转换破坏了神经元振荡节律的调整，阻止了放电同步性的进一步提高。
2008-11-17 cond-mat.dis-nn q-bio.NC
Synaptic Time-Dependent Plasticity Leads to Efficient Coding of Predictions
突触后锋电位的潜伏期减少是突触时间依赖可塑性的一个众所周知的效应。我们扩大这一概念的长突触后脉冲序列，表明，对于一个固定的输入脉冲序列，STDP减少突触后尖峰的数量，并集中剩余的。然后，我们研究了这种现象在编码方面的后果，发现这种机制通过增加信噪比和降低频繁刺激的代谢成本来改善神经编码。最后，我们举例说明，突触后潜伏期的减少可以导致预测的出现。
2019-07-25 q-bio.NC
Predicting spike times of a detailed conductance-based neuron model driven by stochastic spike arrival
神经元活动的简化模型，如Integrate-and-Fire模型，可以简单直观地描述神经元动力学，并且易于数值模拟。我们提出了一种方法，以适应整合和消防型模型的神经元活动，即修改版本的尖峰响应模型，一个详细的霍奇金-赫胥黎型神经元模型驱动的随机尖峰到达。在Hogkin-Huxley模型中，尖峰到达突触由突触电导的变化来模拟。对于这样的电导尖峰输入，超过70%的突触后动作电位可以预测与正确的时序整合和消防型模型。修改后的棘波响应模型是基于电导驱动的积分和激发神经元的线性化理论。
2004-07-06 q-bio.NC
Discovering Patterns in Multi-neuronal Spike Trains using the Frequent Episode Method
从多个神经元的放电序列中发现“神经密码”是神经科学的一项重要任务。对于这样的分析，重要的是要在尖峰模式中发现有趣的地方。在这份报告中，我们提出了一个有效的方法，自动发现同步，synfire链，和更一般的神经元放电序列。我们使用Laxman，Sastry和Unnikrishnan（2005）的频繁发作发现框架，其中使用有限状态自动机表示和识别发作。神经元群体之间的功能连接的许多方面可以从这些事件中推断出来。我们证明了这些使用模拟多神经元数据从泊松模型。我们还提出了一种方法来评估所发现的事件的统计意义。由于本报告中使用的时间数据采掘（TDM）方法可以分析来自数百个和潜在的数千个神经元的数据，我们认为，这个框架是适当的发现“神经代码”。
2007-09-26 cs.DB q-bio.NC
Heterogeneity of Synaptic Input Connectivity Regulates Spike-based Neuronal Avalanches
我们神秘的大脑被认为在非平衡点附近运行，并在神经元活动中产生关键的自组织雪崩。最近的实验证据表明，在突触的输入和输出连接显着的异质性，但结构异质性是否参与神经元雪崩的调节仍然知之甚少。通过计算建模，我们预测不同类型的结构异质性对雪崩神经动力学产生不同的影响。特别是，神经元雪崩可以在输入异质性的中间水平触发，但异质输出连接不能引起雪崩动力学。在临界区，观察到多尺度皮层活动的共同出现，雪崩动力学和神经元振荡都受到输入异质性的调制。值得注意的是，我们发现类似的结果可以在具有各种类型的入度和出度分布的网络中重现。总体而言，这些发现不仅提供了细节的潜在电路机制的非随机突触连接的神经元雪崩的调节，但也启发了可检验的假设，为未来的实验研究。
2018-07-11 q-bio.NC
MAP-SNN: Mapping Spike Activities with Multiplicity, Adaptability, and Plasticity into Bio-Plausible Spiking Neural Networks
脉冲神经网络（SNN）被认为是更具有生物现实性和功率效率的，因为它模仿了人类大脑的基本机制。最近，利用深度学习框架的基于反向传播（BP）的SNN学习算法已经取得了良好的性能。然而，生物可解释性是部分被忽视，在这些BP算法。对于生物合理的基于BP的SNN，我们在建模尖峰活动时考虑了三个属性：多样性，适应性和可塑性（MAP）。在多重性方面，我们提出了一个多尖峰模式（MSP）与多个尖峰传输，以加强模型的鲁棒性在离散时间迭代。为了实现自适应性，我们采用了尖峰频率自适应（SFA）在MSP下，以减少穗的活动，以提高效率。对于可塑性，我们提出了一个可训练的卷积突触，模型尖峰响应电流，以提高多样性的尖峰神经元的时间特征提取。所提出的SNN模型在神经形态数据集：N-MNIST和SHD上实现了具有竞争力的性能。此外，实验结果表明，所提出的三个方面是显着的迭代鲁棒性，穗效率和时间的特征提取能力的穗活动。综上所述，本研究提出了一种基于MAP的生物激发锋电位活动的可行方案，为将生物特征嵌入脉冲神经网络提供了一种新的神经形态学视角。
2022-04-21 cs.NE q-bio.NC
Training and spontaneous reinforcement of neuronal assemblies by spike timing
皮层的突触连接是可塑的，经验塑造了神经元之间正在进行的相互作用。尖峰时间依赖可塑性（STDP）的理论研究集中在神经元对或大规模的模拟分析的洞察力是缺乏的。一个简单的解释如何快速尖峰时间相关性影响微观和宏观网络结构仍然缺乏。我们开发了一个低维的平均场理论，显示如何STDP引起强耦合的神经元组件与共享的刺激偏好，与连接积极加强自发动态过程中的脉冲序列相关性。此外，刺激编码的细胞组件积极维持这些内部产生的尖峰相关性，这表明了一个新的作用，噪音相关性的神经编码。组装形成往往与基于放电率的可塑性计划，我们的理论提供了一个替代和补充的框架，时间相关性和STDP的形式，并积极保持学习结构的皮层网络。
2016-07-30 q-bio.NC
Spike Onset Dynamics and Response Speed in Neuronal Populations
最近的研究皮层神经元驱动的波动电流揭示了几百赫兹的动作电位编码的截止频率。生物物理神经元模型的理论研究已经预测了一个低得多的截止频率的平均放电率或倒数膜时间常数的顺序。因此，所观察到的高截止频率的生物物理起源还没有得到很好的理解。在这里，我们介绍了一个神经元模型与动态动作电位的产生，其中的线性响应可以分析计算不相关的突触噪声。我们发现，当动作电位起始的时间尺度变短时，截止频率增加到非常大的值。
2011-03-03 q-bio.NC
To Deconvolve, or Not to Deconvolve: Inferences of Neuronal Activities using Calcium Imaging Data
随着钙成像数据在神经科学研究中的日益普及，分析钙痕量数据的方法对于解决各种问题至关重要。观察到的钙迹线被直接分析或去卷积为脉冲序列以推断神经元活动。当这两种方法都适用时，尚不清楚去卷积钙迹线是否是必要的步骤。在这篇文章中，我们比较了使用钙迹线或其去卷积的脉冲序列进行三种常见分析的性能：聚类、主成分分析（PCA）和群体解码。我们的模拟和实际数据的应用表明，估计的尖峰数据优于钙痕量数据的聚类和PCA。尽管钙示踪数据在每个时间点显示出比尖峰数据更高的可预测性，但尖峰历史或累积尖峰计数在群体解码中与钙示踪相当或更好。
2021-03-03 q-bio.NC stat.AP
Sisyphus Effect in Pulse Coupled Excitatory Neural Networks with Spike-Timing Dependent Plasticity
研究了具有发放时间依赖可塑性（STDP）的兴奋性脉冲耦合神经网络的集体动力学。根据模型参数，可以观察到以高同步或低同步为特征的稳态。特别是，在这两个制度之间的过渡，持续的不规则的低频振荡之间的强和弱同步状态是可观察到的，这可以被识别为频率为0.02 - 0.03赫兹的次声振荡。它们的出现可以用西西弗斯效应（Sisyphus Effect）来解释，西西弗斯效应是一种由相干群体活动和平均突触重量的进化之间的连续反馈引起的机制。由于这种效应，突触权重具有振荡的平衡值，这防止神经元群体松弛到静止的宏观状态。
2014-03-24 cond-mat.dis-nn nlin.CD physics.bio-ph
Comparison of Different Spike Sorting Subtechniques Based on Rat Brain Basolateral Amygdala Neuronal Activity
School of Electrical Engineering and Computer Science（电气工程与计算机科学学院）；The Pennsylvania State University（宾夕法尼亚州立大学）
发展脑神经元活动的电生理记录及其分析为探索脑功能结构和神经系统研究提供了基础。记录的信号通常是尖峰和噪声的组合。大量的背景噪声和来自记录位点附近的几个神经元的电信号记录的可能性促使科学家开发神经元信号处理工具，如尖峰分选，以促进大脑数据分析。锋电位分选在理解神经元网络的电生理活动中起着关键作用。这个过程准备记录的数据，用于解释神经元的相互作用和理解大脑功能的整体结构。锋电位分类包括三个步骤：锋电位检测、特征提取和锋电位聚类。有几种方法来实现每个尖峰排序步骤。本文提供了一个系统的比较各种尖峰分选子技术应用于真正的细胞外记录的数据，从大鼠大脑基底外侧杏仁核。一个有效的排序数据，导致从仔细选择的尖峰排序子方法，导致更好地解释在不同条件下的大脑结构的连接，这是一个非常敏感的概念，在诊断和治疗的神经系统疾病。在这里，尖峰检测通过经由三种不同的方法适当地选择阈值水平来执行。通过PCA和核PCA方法进行特征提取，其中核PCA优于PCA。我们已经应用了四种不同的算法，包括K-means，模糊C-均值，贝叶斯和模糊最大似然估计的尖峰聚类。作为大多数聚类算法的一个要求，最佳的聚类数是通过有效性指标为每种方法。最后，使用峰电位间隔直方图评估排序结果。
2019-10-27 cs.LG q-bio.NC stat.ML
Towards the Next Generation of Retinal Neuroprosthesis: Visual Computation with Spikes
神经假体作为一种精密医疗设备，其目的是以闭环方式操纵大脑神经元信号，同时接收来自环境的刺激并控制我们大脑/身体的某个部分。就视觉而言，大脑可以在毫秒间隔内处理输入的信息。视网膜计算视觉场景，然后将其输出作为神经元尖峰发送到皮层进行进一步计算。因此，视网膜神经假体感兴趣的神经元信号是尖峰。神经假体中的闭环计算包括两个阶段：将刺激编码为神经元信号和将其解码为刺激。在这里，我们回顾了一些最近的进展，视觉计算模型，使用尖峰分析自然场景，包括静态图像和动态电影。我们假设，为了更好地理解视网膜中的计算原理，人们需要视网膜的超回路视图，其中应考虑视网膜的皮质神经元网络中揭示的不同功能网络模体。视网膜的不同构建块，包括细胞类型和突触连接的多样性，化学突触或电突触（间隙连接），使视网膜成为理想的神经元网络，以适应人工智能中开发的用于编码/解码视觉场景建模的计算技术。总之，我们需要一个系统的视觉计算与尖峰的方法来推进下一代的视网膜神经假体作为一个人工视觉系统。
2020-01-13 q-bio.NC
Learning as filtering: implications for spike-based plasticity
计算神经科学中的大多数规范模型将学习任务描述为相对于一组参数的成本函数的优化。然而，作为优化的学习在学习过程中未能考虑到时变环境;并且由此产生的参数空间中的点估计不考虑不确定性。在这里，我们将学习定义为过滤，即，包括时间和参数不确定性的原则方法。我们推导出基于过滤的学习规则的尖峰神经元网络-突触过滤器-并显示其计算和生物相关性。对于计算相关性，我们表明，过滤结合贝叶斯回归提高性能相比，梯度学习规则的最佳学习率的权重估计。此外，基于过滤的规则优于基于梯度的规则，在模型不匹配的存在下，表示更好的泛化性能。突触过滤器的平均值的动态是一致的尖峰定时依赖的可塑性（STDP），而动态的方差作出新的预测尖峰定时依赖的变化EPSP的变异性。此外，突触过滤器解释了实验观察到的同性和异性突触可塑性之间的负相关性。
2020-08-07 q-bio.NC
Emergence of slow collective oscillations in neural networks with spike timing dependent plasticity
研究了具有锋电位时间依赖可塑性（STDP）的兴奋性脉冲耦合神经元的集体动力学。STDP的引入诱导强同步状态和弱同步状态之间的持续不规则振荡，让人想起慢波睡眠期间的大脑活动。我们用一种机制来解释这种振荡，即西西弗斯效应，它是由突触调节和神经放电的一致性之间的连续反馈引起的。由于这种效应，突触权重具有振荡的平衡值，这阻止了系统松弛到稳定的宏观状态。
2013-04-24 cond-mat.dis-nn q-bio.NC
Formation of feedforward networks and frequency synchrony by spike-timing-dependent plasticity
具有非对称学习窗口的尖峰时间依赖可塑性（STDP）通常存在于大脑中，并且对于各种基于尖峰的计算（例如输入滤波和联想记忆）非常有用。STDP的一个自然结果是因果关系的建立，在这个意义上，神经元在特定的突触前神经元被激发之后滞后地学习激发。STDP对同步性的影响是难以捉摸的，因为尖峰同步性意味着不同神经元的单一尖峰事件，而不是神经元之间的因果延迟关系。我们探讨如何同步可以促进STDP在振荡器网络与起搏器。我们表明，STDP与非对称学习窗口导致自组织的前馈网络从起搏器。因此，STDP极大地促进了频率同步。即使由于突触可塑性而减少了尖峰时间的差异，有限的时间滞后仍然存在，使得不能实现完美的尖峰同步。与传统的基于耦合神经元相互作用的大规模同步机制不同，这里发现的同步途径是上游神经元对下游神经元的奴役。这种前馈同步的促进不会发生STDP与对称的学习窗口。
2012-07-12 cond-mat.dis-nn q-bio.NC
Towards a learning-theoretic analysis of spike-timing dependent plasticity
MPI for Intelligent Systems（马克斯·普朗克智能系统研究所）；ETH Zurich（苏黎世联邦理工学院）；MPI for Biological Cybernetics（马克斯·普朗克生物控制论研究所）
本文提出了一个学习理论的观点如何突触可塑性效益全球大脑功能。我们介绍了一个模型，selectron，（i）出现的泄漏集成和消防配备尖峰时间依赖可塑性（STDP）的神经元的快速时间常数限制和（ii）是服从理论分析。我们表明，选择器编码的奖励估计到尖峰和尖峰上的误差范围是由尖峰利润率和突触权重的总和控制。此外，尖峰的功效（它们对其他奖励最大化选择器的有用性）也取决于总突触强度。最后，基于我们的分析，我们提出了一个正则化版本的STDP，并表明正则化提高了神经元学习的鲁棒性时，面对多个刺激。
2012-09-25 cs.LG q-bio.NC stat.ML
Critical phenomena and noise-induced phase transitions in neuronal networks
我们研究数值和解析的一阶和二阶相变的散粒噪声（随机尖峰轰击神经元流）刺激的神经元网络。使用一个完全可解的皮质模型的神经网络的经典随机网络，我们发现关键的现象伴随着过渡和散粒噪声强度的依赖。我们发现，一个模式的相变的临界点附近的自发神经元活动是一个特性，可用于识别的过渡的分叉机制。我们表明，爆发和雪崩的一阶相变的前兆，阵发性的尖峰活动之前的鞍结分岔引起的二阶相变，而不规则的主轴振荡表示附近的二阶相变引起的超临界Hopf分岔的自发活动。我们最有趣的结果是观察到了阵发性尖峰。我们发现，阵发性尖峰是一个单一的非线性事件，立即出现从一个低背景活动与快速发病，达到一个大的幅度，并突然返回到较低的活动结束。这些尖峰类似于EEG测量中观察到的单个阵发性尖峰和尖波。我们的分析表明，以上的鞍结分岔，持续的网络振荡出现了一个大的振幅，但一个小的频率相比，网络振荡附近的Hopf分岔，有一个小的振幅，但大的频率。我们讨论了一个惊人的相似性刺激的散粒噪声和莫里斯-Lecar神经元的兴奋性刺激施加电流的皮质模型的兴奋性。
2013-10-16 nlin.AO physics.bio-ph q-bio.NC
Random Walks for Spike-Timing Dependent Plasticity
随机游走方法被用来计算负像平衡分布的时刻突触权重动态支配的尖峰定时依赖可塑性（STDP）。该模型的神经结构是基于电感觉侧线叶（ELL）的？？特别是行为的重要性的鱼是在噪声的存在下，这是由平衡重量分布的方差的平衡突触后电位的方差。递归关系推导的时刻的平衡重量分布，任意突触后电位函数和任意的学习规则。对于齐次网络参数的情况下，显式封闭形式的解决方案开发的突触权重和突触后电位分布的协方差。
2003-12-23 q-bio.NC
Small-world structure induced by spike-timing-dependent plasticity in networks with critical dynamics
复杂网络的小世界特性意味着网络中发生的过程具有结构上的好处，如最佳信息传输和鲁棒性。在本文中，我们研究了受活动依赖性突触可塑性影响的整合和激发神经元模型网络。我们发现的学习规则，产生了一个小世界结构时，系统的集体动力学达到一个临界状态，其特征在于由幂律分布的活动集群。此外，通过分析网络的基序配置文件，我们观察到，双向连接受损的影响，这种类型的可塑性。
2015-07-28 nlin.AO q-bio.NC
Multi-contact synapses for stable networks: a spike-timing dependent model of dendritic spine plasticity and turnover
成年人新皮层中的兴奋性突触连接由多个突触接触组成，几乎只在树突棘上形成。树突棘形状和体积的变化，突触强度的相关性，可以在体内跟踪数周。在这里，我们提出了一个组合模型的尖峰定时依赖树突棘可塑性和营业额，解释了稳态多接触配置的突触在成人新皮层网络。在该模型中，许多突触前神经元竞争以在突触后神经元上形成强突触连接，而包括每个连接的突触接触通过突触后放电进行合作。我们证明，该模型是一致的实验观察到的长期树突棘动态下的稳态和病变诱导的条件下，并表明，多个突触接触的合作是至关重要的稳定，长期的突触记忆。在一个简化的网络模拟桶皮层，我们的可塑性规则再现胡须修剪引起的重新布线的丘脑-皮层和经常性突触连接现实的时间尺度。
2016-09-19 q-bio.NC
Stochastic Models of Neural Synaptic Plasticity
在神经科学中，学习和记忆通常与神经元连接的长期变化有关。在此上下文中，突触可塑性是指驱动神经元连接的动力学的一组机制，称为{ \em突触}并且由标量值（突触权重）表示。尖峰定时依赖可塑性（STDP）是一种基于生物学的模型，将突触权重的时间演变表示为相邻神经元过去尖峰活动的函数。如果在数学文献中已经提出了许多神经元细胞的模型，其中很少包括一个随时间变化的连接强度的变量。一个新的，一般的，数学框架介绍了研究突触可塑性与不同的STDP规则。研究了由单个突触连接的两个神经元组成的系统，提出并分析了描述其动力学行为的随机过程。塑性核的概念被引入作为塑性神经网络模型的一个关键组成部分，推广了用于基于对的模型的概念。我们表明，大量的神经科学和物理学的STDP规则可以表示这种形式主义。这些模型的几个方面进行了讨论，并比较典型的计算神经科学模型。一个重要的子类的可塑性内核与马尔可夫制定也被定义和研究。在这些模型中，细胞过程的时间演化，如神经元膜电位和由尖峰活动产生/抑制的化学成分的浓度具有马尔可夫性。
2021-06-09 math.PR q-bio.NC
Spike-Timing-Dependent Plasticity for Bernoulli Message Passing
Electrical Engineering Department, TU Eindhoven, Netherlands（埃因霍温理工大学电子工程系，荷兰）；Lazy Dynamics B.V., Eindhoven, Netherlands（埃因霍温荷兰Lazy Dynamics公司）
本文提出了一种基于伯努利信息传递的脉冲神经网络，利用脉冲时间依赖可塑性进行训练，实现了对贝叶斯推断的模拟，并展示了其在信号传输中的应用。
2025-12-19 cs.LG cs.NE q-bio.NC
A spatially resolved network spike in model neuronal cultures reveals nucleation centers, circular traveling waves and drifting spiral waves
我们表明，在模型神经元文化，其中神经元间的连接形成的概率呈指数下降，随着神经元之间的距离增加，存在少量的空间成核中心的网络尖峰，从同步尖峰活动开始传播的网络中通常在圆形行波的形式。成核中心的数目和它们的空间位置对于给定的神经元网络的实现是唯一的和不变的，但是对于不同的网络是不同的。相反，如果神经元间连接形成的概率与神经元之间的距离无关，则成核中心不会出现，并且在网络尖峰期间尖峰活动的同步在整个网络中在空间上均匀地发生。因此，可以得出结论，神经元之间的连接的空间接近对于成核中心的形成是重要的。它还表明，在其随机均匀分布的实验$\textit{in vitro}$典型的神经元的空间密度的波动不确定的成核中心的位置。模拟结果与实验结果定性一致。
2018-11-08 cond-mat.dis-nn nlin.AO nlin.PS
Library-based Fast Algorithm for Simulating the Hodgkin-Huxley Neuronal Networks
我们提出了一种改进的基于库的方法来模拟Hodgkin-Huxley（HH）神经网络。通过在动作电位（尖峰）的间隔期间预计算高分辨率数据库，我们可以避免在尖峰期间演化HH方程，并且可以使用大的时间步长来提高效率。与常规Runge-Kutta方法相比，库方法可以稳定地实现最多10倍的加速，同时捕获HH神经元的大多数统计特性，如尖峰的分布，这些数据被广泛用于统计分析，如转移熵和Granger因果关系。库方法的思想可以容易地和成功地应用于其他HH型模型，如最突出的\textquotedblleft规则尖峰\textquotedblright，\textquotedblleft快速尖峰\textquotedblright，\textquotedblleft内在爆发\textquotedblright{}和\textquotedblleft低阈值尖峰\textquotedblright{}类型的HH模型。
2021-01-17 q-bio.NC
Short-term plasticity recalls forgotten memories through a trampoline mechanism
Institute for Computational and Mathematical Engineering, Stanford University（斯坦福大学计算与数学工程研究所）；Department of Applied Physics, Stanford University（斯坦福大学应用物理系）
短期突触可塑性通过动态降低能量景观，使遗忘的记忆得以回忆，其最佳时间常数与短暂动态相匹配。
2026-02-07 cond-mat.dis-nn cond-mat.stat-mech q-bio.NC
Neuronal Spike Trains as Functional-Analytic Distributions: Representation, Analysis, and Significance
University of California San Diego（加州大学圣地亚哥分校）
本文提出基于Schwartz分布理论的统一框架，用于分析神经脉冲序列，提供精确的运算微积分方法，实现无需离散化、速率近似或平滑的闭式分析。
2026-04-14 math.FA q-bio.NC
Causal Spike Timing Dependent Plasticity Prevents Assembly Fusion in Recurrent Networks
该研究通过数值模拟与平均场理论发现，循环网络中因果型STDP规则可抵消共享神经元的对称相关性，使成员高度重叠的神经元集群维持功能独立，而非因果STDP在重叠超阈值时会引发集群融合，为分布式表征机制提供了理论依据。
2025-01-16 q-bio.NC
A framework for studying synaptic plasticity with neural spike train data
大脑中的学习和记忆是通过神经回路中复杂的、随时间变化的变化来实现的。突触权重随时间变化的计算规则是许多研究的主题，并且没有被精确地理解。直到最近，实验方法的局限性使得大规模测试突触可塑性的假设具有挑战性。然而，随着这些数据的可用性和这些障碍的解除，有必要开发分析技术来验证塑性模型。在这里，我们提出了一个高度可扩展的框架，用于在互连神经元群体中对尖峰训练数据进行任意突触可塑性规则建模。我们把突触权重作为一个（潜在的非线性）动态系统嵌入在一个完全贝叶斯广义线性模型（GLM）。此外，我们提供了一个算法，用于推断突触权重轨迹旁边的GLM和学习规则的参数。使用这种方法，我们进行模型比较的两个建议的变种著名的尖峰定时依赖可塑性（STDP）规则，其中非线性效应发挥了重要作用。在生物物理模拟器NEURON生成的合成数据上，我们证明了我们可以恢复权重轨迹、连接模式和底层学习规则。
2014-11-14 q-bio.NC stat.ML
